Post on 19-Apr-2020
1
PASANTÍA
ANÁLISIS COMPARATIVO DE ÍNDICES DE VEGETACIÓN PARA LA IDENTIFICACIÓN
DE LA VARIACIÓN ESPECTRAL DE LAS COBERTURAS NATURALES A PARTIR DE
IMÁGENES LANDSAT 8
JOHN FREDY AGUILAR BRAND
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
CENTRO DE INVESTIGACIÓN Y DESARROLLO EN INFORMACIÓN GEOGRÁFICA –
CIAF INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI - IGAC
BOGOTÁ D.C., COLOMBIA
2016
2
PASANTÍA
ANÁLISIS COMPARATIVO DE ÍNDICES DE VEGETACIÓN PARA LA IDENTIFICACIÓN
DE LA VARIACIÓN ESPECTRAL DE LAS COBERTURAS NATURALES A PARTIR DE
IMÁGENES 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 FRANCISCO JOSÉ DE CALDAS
Facultad de Medio Ambiente y Recursos Naturales
Proyecto Curricular De Ingeniería Ambiental
CENTRO DE INVESTIGACIÓN Y DESARROLLO EN INFORMACIÓN GEOGRÁFICA –
CIAF INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI – IGAC
Grupo Interno de Trabajo en Percepción Remota y Aplicaciones Geográfica
BOGOTÁ D.C., COLOMBIA
2016
3
ÍNDICE
1. INTRODUCCIÓN 9
2. PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN Y PREGUNTA DEL
PORQUE DE LA PASANTÍA 10
3. OBJETIVOS 11
3.1. OBJETIVO GENERAL 11
3.2. OBJETIVOS ESPECÍFICOS 11
4. MARCO TEÓRICO 12
4.1. Índice de Calidad Ambiental 12
4.1.1. Vigor en la teledetección 13
4.2. Biomas 13
4.2.1. Zonobiomas 14
4.2.2. Orobiomas 14
4.2.3. Pedobiomas 15
4.2.4. Grandes biomas y biomas continentales. 16
4.3. Cobertura de la tierra 17
4.3.1. Coberturas mayormente transformadas 17
4.3.2. Coberturas de agroecosistemas 17
4.3.3. Coberturas mayormente naturales 17
4.3.4. Cobertura de áreas húmedas continentales y costeras 18
4.3.5. Superficies de agua 18
4.3.6. Leyenda Nacional de Coberturas de la Tierra 18
4.4. Percepción Remota 20
4.4.1. Imagen Digital 21
4.4.2. Características de una Imagen Digital 21
4.4.3. Preprocesamiento de imágenes satelitales. 23
4.5. Características del Satélite Landsat 8 OLI 27
4.6. Índices Espectrales de Vegetación 28
4.6.1. Comportamiento espectral de la vegetación en el espectro óptico. 30
4.6.2. Clasificación de los Índices de Vegetación 32
5. DESCRIPCIÓN GENERAL DEL ÁREA DE ESTUDIO 33
5.1. Clima 34
5.2. Hidrografía: 34
5.3. Coberturas vegetales y ecología de la Sierra Nevada de Santa Marta. 35
5.3.1. Biomas 35
5.3.2. Biomas y ecosistemas predominantes 36
6. RESULTADOS DE LA BÚSQUEDA DE INFORMACIÓN 46
4
7. METODOLOGÍA 95
7.1. Índices Espectrales Seleccionados. 96
7.1.1. NDVI 96
7.1.2. SAVI 97
7.1.3. MSAVI 97
7.1.4. ARVI 97
7.1.5. SARVI 97
7.1.6. ASVI 97
7.1.7. GEMI 98
7.1.8. SR 98
7.1.9. NDWI 98
7.1.10. GNDVI 98
7.1.11. GARI 99
7.1.12. SARVI2 99
7.2. Selección y descarga de imágenes satelitales 100
7.2.1. Imágenes Landsat 8. 100
7.2.2. Modelos de Elevación Digital (DEM). 103
7.3. Correcciones de la Imagen 105
7.3.1.1. Corrección Geométrica 105
7.3.2. Corrección Atmosférica y Topográfica 105
7.4. Mascara de nubes y cuerpos de agua 105
7.5. Corte del Área de Procesamiento 106
7.6. Cálculo de Índices Espectrales 106
7.7. Segmentación de la Información en función de los Biomas 120
7.8. Segmentación de la información en función de la capa Corine Land Cover.
120
8. ANÁLISIS DE RESULTADOS 121
9. CONCLUSIONES Y RECOMENDACIONES 151
10. BIBLIOGRAFÍA 153
5
LISTADO DE IMÁGENES
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
6
Imagen 37. Comparación Biomas - CLC vs. NDWI. Fuente: Autor. 144
Imagen 38. Comparación Biomas - CLC vs. GNDVI. Fuente: Autor. 145
Imagen 39. Comparación Biomas - CLC vs. GARI. Fuente: Autor. 146
Imagen 40. Comparación Biomas - CLC vs. SARVI2. Fuente: Autor. 147
7
LISTADO DE TABLAS
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 Aeronautics 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
Tabla 17. . Valores de VI’s para los biomas en Invierno. Fuente: Autor. 122
Tabla 18. . Valores de VI’s para los biomas en Verano. Fuente: Autor. 123
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
8
Tabla 37. Comportamiento GEMI. Fuente: Autor. 133
Tabla 38. Comportamiento SR. Fuente: Autor. 133
Tabla 39. Comportamiento NDWI. Fuente: Autor. 134
Tabla 40. Comportamiento GNDVI. Fuente: Autor. 134
Tabla 41. Comportamiento GARI. Fuente: Autor. 135
Tabla 42. Comportamiento SARVI2. Fuente: Autor. 135
Tabla 43. Comparación Biomas - CLC vs. NDVI. Fuente: Autor. 135
Tabla 44. Comparación Biomas - CLC vs. SAVI. Fuente: Autor. 136
Tabla 45. Comparación Biomas - CLC vs. MSAVI. Fuente: Autor. 137
Tabla 46. Comparación Biomas - CLC vs. ARVI. Fuente: Autor. 138
Tabla 47. Comparación Biomas - CLC vs. SARVI. Fuente: Autor. 139
Tabla 48. Comparación Biomas - CLC vs. ASVI. Fuente: Autor. 140
Tabla 49. Comparación Biomas - CLC vs. GEMI. Fuente: Autor. 141
Tabla 50. Comparación Biomas - CLC vs. SR. Fuente: Autor. 142
Tabla 51. Comparación Biomas - CLC vs. NDWI. Fuente: Autor. 143
Tabla 52. Comparación Biomas - CLC vs. GNDVI. Fuente: Autor. 144
Tabla 53. Comparación Biomas - CLC vs. GARI. Fuente: Autor. 145
Tabla 54. Comparación Biomas - CLC vs. SARVI2. Fuente: Autor. 146
Tabla 55. Porcentaje Cambio Invierno - Verano OASM 147
Tabla 56. Porcentaje Cambio Invierno - Verano OMSM 148
Tabla 57. Porcentaje Cambio Invierno - Verano OBSMM 148
9
1. INTRODUCCIÓN
Los índices espectrales de vegetación (VI’s) son utilizados para determinar 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 sensores 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 2005-
2007 (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.
10
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 vigor2, 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 terrestres3, 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) 3La salud de los ecosistemas es descrita como una comprensión multiescala, dinámica, jerárquica, medida en sistemas de resiliencia, organización y vigor (Costanza & Mageau, 1999)
11
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
12
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 ecosistémicos4 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)
13
(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 diferenciando
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).
14
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 Orobiomas: 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
15
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) Bosques 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) Sub-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) Superpáramo 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.
16
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)
Grandes Biomas y Biomas Continentales
ID Gran Bioma
Gran Bioma ID
Bioma Bioma
1 Desierto Tropical
1 Zonobioma del desierto tropical de La Guajira y Santa Marta
2 Helobioma de La Guajira
2 Bosque Seco Tropical del
Caribe
3 Zonobioma seco tropical del Caribe
4 Halobioma del Caribe
5 Zonobioma alterno hígrico y/o subxerofítico tropical del Alto Magdalena
6 Zonobioma alterno hígrico y/o subxerofítico tropical del Valle del Cauca
7 Helobioma del Valle del Cauca
3 Bosque Húmedo Tropical
8 Zonobioma húmedo tropical de la Amazonia –Orinoquia
9 Helobioma Amazonia – Orinoquia
10 Peinobioma de la Amazonia – Orinoquia
11 Litobioma de la Amazonia –Orinoquia
12 Zonobioma húmedo tropical del Pacífico-Atrato
13 Helobioma Pacífico-Atrato
14 Halobioma del Pacífico
15 Zonobioma húmedo tropical del Magdalena-Caribe
16 Helobioma Magdalena-Caribe
17 Zonobioma húmedo tropical del Catatumbo
18 Helobioma del río Zulia
19 Orobioma bajo de los Andes
20 Orobioma medio de los Andes
21 Orobioma alto de los Andes
22 Orobioma azonal de Cúcuta
17
23 Orobioma azonal del río Dagua
24 Orobioma azonal del río Sogamoso
25 Orobioma azonal del Valle del Patía
26 Helobiomas andinos
27 Orobioma de San Lucas
28 Orobioma de La Macarena
29 Orobioma del Baudó-Darién
30 Orobioma bajo de la Sierra Nevada de Santa Marta y La Macuira
31 Orobioma medio de la Sierra Nevada de Santa Marta
32 Orobioma alto de la Sierra Nevada de Santa Marta
4.3. 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)
18
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)
II. Arbustal: tipo de vegetación las especies predominantes corresponden a arbustos,
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)
19
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 3. BOSQUES Y ÁREAS SEMINATURALES
1.1. Zonas urbanizadas 3.1. Bosques 1.1.1. Tejido urbano continuo 3.1.1. Bosque denso 1.1.2. Tejido urbano discontinuo 3.1.1.1.1. Bosque denso alto de tierra firme
1.2. Zonas industriales o comerciales y redes de comunicación
3.1.1.1.2. Bosque denso alto inundable 3.1.1.2.1. Bosque denso bajo de tierra firme
1.2.1. Zonas industriales o comerciales 3.1.1.2.2. Bosque denso bajo inundable 1.2.2. Red vial, ferroviaria y terrenos asociados
3.1.2. Bosque abierto
1.2.3. Zonas portuarias 3.1.2.1.1. Bosque abierto alto de tierra firme 1.2.4. Aeropuertos 3.1.2.1.2. Bosque abierto alto inundable 1.2.5. Obras hidráulicas 3.1.2.2.1. Bosque abierto bajo de tierra firme
1.3. Zonas de extracción minera y escombreras 3.1.2.2.2. Bosque abierto bajo inundable 1.3.1. Zonas de extracción minera 3.1.3. Bosque fragmentado 1.3.2. Zonas de disposición de residuos 3.1.4. Bosque de galería y ripario
1.4. Zonas verdes artificializadas, no agrícolas 3.1.5. Plantación forestal 1.4.1. Zonas verdes urbanas 3.2. Áreas con vegetación herbácea y/o arbustiva 1.4.2. Instalaciones recreativa 3.2.1.1. Herbazal denso
2. TERRITORIOS AGRÍCOLAS 3.2.1.1.1.1. Herbazal denso de tierra firme no arbolado
2.1. Cultivos transitorios 3.2.1.1.1.2. Herbazal denso de tierra firme
arbolado 2.1.1. Otros cultivos transitorios 3.2.1.1.1.3. Herbazal denso de tierra firme con
arbustos 2.1.2. Cereales 3.2.1.1.2.1. Herbazal denso inundable no
arbolado 2.1.3. Oleaginosas y leguminosas 3.2.1.1.2.2. Herbazal denso inundable arbolado 2.1.4. Hortalizas 3.2.1.1.2.3. Arracachal 2.1.5. Tubérculos 3.2.1.1.2.4. Helechal
2.2. Cultivos permanentes 3.2.1.2. Herbazal abierto 2.2.1. Cultivos permanentes herbáceos 3.2.1.2.1. Herbazal abierto arenoso 2.2.1.1. Otros cultivos permanentes herbáceos
3.2.1.2.2. Herbazal abierto rocoso
2.2.1.2. Caña 3.2.2.1. Arbustal denso 2.2.1.3. Plátano y banano 3.2.2.2. Arbustal abierto 2.2.1.4. Tabaco 3.2.3. Vegetación secundaria o en transición 2.2.1.5. Papaya 3.3. Áreas abiertas, sin o con poca vegetación 2.2.1.6. Amapola 3.3.1. Zonas arenosas naturales 2.2.2. Cultivos permanentes arbustivos 3.3.2. Afloramientos rocosos 2.2.2.1. Otros cultivos permanentes arbustivos
3.3.3. Tierras desnudas y degradadas
2.2.2.2. Café 3.3.4. Zonas quemadas 2.2.2.3. Cacao 3.3.5. Zonas glaciares y nivales 2.2.2.4. Viñedos 4. AREAS HÚMEDAS
2.2.2.5. Coca 4.1. Áreas húmedas continentales 2.2.3. Cultivos permanentes arbóreos 4.1.1. Zonas Pantanosas 2.2.3.1. Otros cultivos permanentes arbóreos 4.1.2. Turberas 2.2.3.2. Palma de aceite 4.1.3. Vegetación acuática sobre cuerpos de
agua 2.2.3.3. Cítricos 4.2. Áreas húmedas costeras 2.2.3.4. Mango 4.2.1. Pantanos costeros 2.2.4. Cultivos agroforestales 4.2.2. Salitral 2.2.5. Cultivos confinados 4.2.3. Sedimentos expuestos en bajamar
2.3. Pastos 5. SUPERFICIES DE AGUA 2.3.1. Pastos limpios 5.1. Aguas continentales 2.3.2. Pastos arbolados 5.1.1. Ríos (50 m) 2.3.3. Pastos enmalezados 5.1.2. Lagunas, lagos y ciénagas naturales
20
2.4. Áreas agrícolas heterogéneas 5.1.3. Canales 2.4.1. Mosaico de cultivos 5.1.4. Cuerpos de agua artificiales 2.4.2. Mosaico de pastos y cultivos 5.2. Aguas marítimas 2.4.3. Mosaico de cultivos pastos y espacios naturales
5.2.1. Lagunas costeras
2.4.4. Mosaico de pastos con espacios
naturales
5.2.2. Mares y océanos
2.4.5. Mosaico de cultivos y espacios
naturales
5.2.3. Estanques para acuicultura marina
4.4. 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
21
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,
22
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
23
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. Distorsiones originadas por la plataforma.
II. Distorsiones provocadas por la rotación Terrestre.
III. Distorsiones por el sensor.
IV. 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, distribución 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
24
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):
Conversión a parámetros físicos
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):
𝐿𝑎,𝑘 = 𝑎0,𝑘 + 𝑎0,𝑘 𝑁𝐷𝑘
Dónde: 𝐿𝑎,𝑘 es la radiancia de una banda determinada (en Wm-2 sr-1 µm-1); 𝑎0,𝑘 + 𝑎0,𝑘 los
coeficientes de calibración en dicha banda y 𝑁𝐷𝑘 corresponde al nivel digital de la imagen
en la misma banda.
25
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. La radiación solar incidente y de la reflectancia de la cobertura.
ii. La transparencia y aporte de la atmósfera en esa banda.
iii. Ángulo de incidencia del sol.
𝐿𝑘 =𝐸0,𝑘 𝐶𝑜𝑠𝜃𝑖𝜌∗𝑘
𝐷𝜋
Dónde, 𝐸0,𝑘 es la irradiancia solar en el techo de la atmosfera (para esa banda); 𝜌∗𝑘 es la
reflectividad aparente de la cobertura en esa banda K; 𝜃𝑖 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:
𝐷 = (1 + 0,01674(𝑠𝑒𝑛(2𝜋(𝐽 − 93,5) / 365)))2
Dónde: J indica el día calendario juliano y el seno se asume que toma los valores 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:
𝜌𝑘=
𝐷𝜋𝐿𝑠𝑒𝑛,𝑘
𝐸0,𝑘 cos 𝜃𝑖
∗
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 𝜏𝑘,𝑖 y ascendente 𝜏𝑘,0), la irradiancia difusa (𝐸𝑑,𝑘) y la radiancia
atmosférica debida a la dispersión 𝐿𝑎,𝑘
𝜌𝑘 =
𝐷𝜋(𝐿𝑠𝑒𝑛,𝑘 – 𝐿𝑎,𝑘
𝜏𝑘,0)
𝐸0,𝑘 𝐶𝑜𝑠𝜃𝑖𝜏𝑘,𝑖 + 𝐸𝑑,𝑘
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
26
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.
27
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 Nivel 1T.Corrección Geométrica
Tamaño del Pixel Bandas OLI multiespectrales 1-7,9: 30-metros Banda OLI pancromática 8: 15-metros
28
Bandas TIRS 10-11: tomadas en 100 metros, pero remuestreadas a 30 metros
Características de los datos
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
Entrega de datos Archivo comprimido .Tar.gz y de descarga a través de HTTP
Tamaño de archivo 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)
Landsat 8 Operational Land Imager (OLI) and Thermal Infrared
Sensor (TIRS)
February 11, 2013
Bandas longitud de
onda (micrómetros)
Resolución (metros)
Banda 1 - Aerosol costero 0.43 - 0.45 30 m
Banda 2 – Azul 0.45 - 0.51 30 m
Banda 3 - Verde 0.53 - 0.59 30 m
Banda 4 - Rojo 0.64 - 0.67 30 m
Banda5 – Infrarrojo cercano (NIR)
0.85 - 0.88 30 m
Banda 6 - SWIR 1 1.57 - 1.65 30 m
Banda 7 - SWIR 2 2.11 - 2.29 30 m
Banda 8 - Pancromático 0.50 - 0.68 15 m
Banda 9 - Cirrus 1.36 - 1.38 30 m
*Banda 10 – Infrarrojo térmico (TIRS) 1
10.60 - 11.19 100 m
*Banda 11 - Infrarrojo térmico (TIRS) 2
11.50 - 12.51 100 m
4.6. 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
29
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).
30
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
31
regulación térmica de la planta y su absorción de CO2. 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).
32
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 Simples. 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 Suelo. 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
formulación del NDVI (como índice de vegetación ajustado por el suelo – SAVI
(Huete, 1988)). 3) índice categoría combina los dos tipos anteriores. Este es el
33
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 – Atmósfera. 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 Natural 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)
34
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 nororiental 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).
35
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 Características
Zonobioma
Húmedo
Ecuatorial
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.
Zonobioma
Tropical
Alternohídrico
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
Orobioma de
Selva
Subandina
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.
Orobioma de
Selva Andina
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.
Orobioma de
Páramo
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.
Orobioma
Nival
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.
36
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)
Subregión
con zonas
semihúmedas
y húmedas
Macizos
Sierra
Nevada
de Santa
Marta
Ecosistema de los bosques de Zygia longifolia
y Virola sebifera
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
37
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 Área (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 Cobertura de la Tierra Área (ha) Porcentaje
231 Pastos limpios 820.90 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
38
Imagen 7. Distribución de los biomas y las coberturas de la tierra en la zona de estudio. Fuente: Autor
39
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 Zygia longifolia 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 importantes figuran Saurauia laevigata, Rhodospatha
latifolia, Hirtella americana, Nectandra discolor, Conostegia icosandra, Miconia
biappendiculata, Cedrela mexicana, Guarea guidonia, Ficus macrosyce, 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 2800-
4000 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)
40
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 1-
41
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 floribunda,
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.
42
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 Hypericum stenopetalum, Luzula
peruviana y Calamagrotis 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 caracte-
rísticas.
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)
43
magdalenicum, Libanothamnus occultus, Obtegomeria caerulescens, Ranunculus
flagelliformis 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 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.
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 Citado en (Rangel-Ch, 2012) 9 Citado en (Rangel-Ch, 2012)
44
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
Calamagrostis 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, Carex
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,
45
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
Thornthwaite10 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)
46
6. RESULTADOS DE LA BÚSQUEDA DE INFORMACIÓN
Tabla 9. Resumen de la búsqueda bibliográfica. Fuente: Autor
No FUENTE RESUMEN RAZÓN DE
CONSULTA CARPETA
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
982-
21702016000100006
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 topográfico de cuatro VI’s:
NDVI, RVI, EVI y SAVI. La evaluación se basó en el análisis de la media y la
desviación estándar de VI’s y TM banda 4 (infrarrojo cercano), y en análisis
de regresión lineal entre estas variables y el coseno del ángulo de incidencia
solar en la superficie del terreno (Cos i). Los resultados indicaron que VI’s son
menos sensibles al efecto topográfico de la banda espectral sin corregir. Entre
los VI’s, NDVI y RVI son menos sensibles a los efectos 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)
Necesidad de
una corrección
topográfica en el
cálculo de los
índices
espectrales
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
métodos de los datos de las zonas costeras, en particular los datos históricos.
En este estudio, se evalúan los desempeños de los métodos existentes, con
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
Comparación de
Métodos de
Corrección
Atmosférica.
Correcciones
47
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
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)
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
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
sobre cultivos energéticos perennes con el fin de maximizar el rendimiento de
la materia prima de biomasa. La evaluación de los métodos establecidos
podría conducir a una nueva estrategia para vigilar los cultivos energéticos
para la adopción de manejo sitio específico en la producción de biomasa
como materia prima. En este artículo, la percepción remota desde imágenes
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)
Índices
espectrales para
la detección de
biomasa
(Biomasa)
Índices
Espectrales
48
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 varios
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
LAI, en promedio, lo que puede explicar el 70 % de las variaciones de la LAI
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
diferencia normalizada modificado (MNDVI) y la reducción de la relación
sencilla (RSR); MAVI es capaz de reducir los efectos de reflectancia en el
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
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 variaciones
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
Índice MAVI,
reducción del
efecto de fondo.
(Pastizales
Bosques
Valores de LAI
)
Índices
Espectrales
49
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 R2, 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.
5
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
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
reto. En una escala de campo, los GPS y las tecnologías de sensores
basados en tierra proporcionan herramientas prometedoras para pastizales y
gestión del rebaño con alta precisión. Con el crecimiento de la disponibilidad
de los datos de teledetección desde vehículos espaciales, por lo tanto, es
importante revisar los métodos y aplicaciones relevantes que pueden explotar
estas imágenes. En este artículo, hemos revisado la (i) el estado actual de
los métodos de monitoreo de los pastizales / observaciones y las aplicaciones
basadas en satélites de datos de teledetección, (ii) los avances tecnológicos
y metodológicos para recuperar los parámetros biofísicos de los pastizales y
las características de manejo (es decir, la degradación, la intensidad de
pastoreo) e (iii) identificar los problemas clave que subsisten y algunas
nuevas tendencias futuras para el desarrollo.(Ali, Cawkwell, Dwyer, Barrett,
& Green, 2016)
Manejo de
Pastizales
(Pastizales)
Índices
espectrales
50
6
Zhang, Y. M., Chen, J.,
Wang, L., Wang, X. Q., &
Gu, Z. H. (2007). The
spatial distribution
patterns of biological soil
crusts in the
Gurbantunggut Desert,
Northern Xinjiang, China.
Journal of Arid
Environments, 68(4),
599–610.
http://doi.org/10.1016/j.jar
idenv.2006.06.012
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
segundo lugar, la composición de especies varía de forma significativa en las
costras biológicas del suelo que se encuentran en diferentes etapas de
desarrollo. En este estudio, se desarrolló una estrategia para investigar la
distribución espacial de las costras biológicas del suelo mediante el
acoplamiento de mediciones de datos y de campo de teledetección. Un índice
de corteza para datos Landsat ETM +, se ha desarrollado y aplicado para
detectar las costras biológicas dominadas por líquenes en el desierto
Gurbantunggut. Los resultados indicaron que el sur del desierto abarcaba las
más abundantes costras biológicas del suelo. Además, las costras biológicas
del suelo se distribuyeron en densidad uniforme en el sur del desierto
mientras que sus patrones de distribución se vuelven más irregular en el resto
del desierto. Por último, las estadísticas de la clasificación revelaron que las
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)
Costras
Biológicas de
Suelos
(CBS)
Índices
espectrales
7
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,
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
ecológicos naturales como la vegetación, el agua, el suelo, el aire y así
sucesivamente. Todos los factores ecológicos seleccionados pueden ser
adquiridos y controlados por la tecnología de teledetección. Mediante el
análisis de las características espaciales y temporales y la aparición y
evolución del mecanismo de accionamiento de los ecosistemas, que tuvo
como objetivo los principales factores que afectan a la salud ambiental,
definida cuantitativamente umbral de los parámetros de la seguridad
ambiental, establecer el sistema de índice de evaluación de la salud ecológica
Salud Ambienta
como la
convergencia de
la salud
ecológica y la
seguridad
ambiental.
Salud
Ambiental
51
Japan: Land Surface
Remote Sensing.
http://doi.org/10.1117/12.
977439
objetivo, y el diagnóstico de la salud de las zonas ecológicas clave. (Cao, Xu,
Chen, & Tian, 2012)
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 Landsat-
8 reflective wavelength
and normalized
difference vegetation
index continuity. Remote
Sensing of Environment.
http://doi.org/10.1016/j.rs
e.2015.12.024
El Landsat-8 Operacional Land Imager (OLI) ha mejorado la calibración, señal
de que las características de ruido, mayor resolución radiométrica de 12 bits,
y las bandas de frecuencia espectral más estrecha que la anterior Landsat-7
Thematic Mapper mejorado (ETM +). Las diferencias de longitud de onda
reflectantes entre los dos sensores Landsat dependen también de la
reflectancia de la superficie y el estado atmosférico que son difíciles para
modelar integralmente. (Roy et al., 2016)
Caracterización
Landsat 8 –
Landsat 7
Landsat
9
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.
Un desafío encontrado con los datos de Landsat Thematic Mapper (TM), que
incluye datos de tamaño de bandas espectrales de reflexión, está mostrando
mayor cantidad de información posible en un conjunto de tres imágenes para
la composición de color o análisis digital. El análisis de componentes
principales (PCA) aplicado a las seis bandas TM de forma simultánea a
menudo se utiliza para hacer frente a este problema. Sin embargo, dos
problemas que se pueden encontrar utilizando el método PCA son que la
información de interés podría ser mapeada matemáticamente para uno de los
componentes utilizados y que una composición de color puede ser difícil de
interpretar. Un "Selectivo" PCA se puede usar para minimizar estos dos
problemas. El contraste espectral entre varias regiones espectrales fue
mapeado para un sitio del Norte de Arizona usando datos Landsat TM. Las
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 rocas, las diferencias de vegetación y el
Análisis de
componentes
principales
Índices
espectrales
52
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)
10
Arango, C., Dorado, J.,
Guzmán, D., & Ruiz, J.
(2014). Climatología
trimestral de Colombia,
19. Retrieved from
http://es.scribd.com/doc/
229064239/Climatologia-
Trimestral-para-
Colombia-Ruiz-Guzman-
Arango-y-Dorado-
pdf#scribd
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
extremo debido a eventos de variabilidad climática, la homogenización
estadística, agrupación mediante componentes principales, entre otros. Bajo
los algoritmos como el de la Razón de Valores Normal, ARIMA y Gradiente
de temperatura, se completaron las series y se validó la consistencia del dato
con el test de McCuen para precipitación y el coeficiente de variabilidad para
temperatura. Los datos se interpolaron bajo los métodos de IDW para la
precipitación y Cokriging para la temperatura media. Las mayores
precipitaciones se encuentran en los trimestres 8, 9 y 10 en forma
significativa, sin embargo los trimestres 3, 4 y 5 también presentan aumentos
en esta variable, y son más secos 1, 2, 3, 6, 7, 11 y 12, siendo el primero y el
último los de mayor 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)
Climatología
Colombiana
(Selección de
épocas de las
imágenes de
estudio)
Climatología
11
Carlson, T. N., & Ripley,
D. A. (1997). On the
relation between NDVI,
fractional vegetation
cover, and leaf area
index. Remote Sensing
Se utilizó un modelo simple de transferencia de radiación con la vegetación,
el suelo y los componentes atmosféricos para ilustrar cómo el índice de
Diferencia de Vegetación Normalizado (NDVl), índice de área foliar (LAI), y la
cobertura vegetal fraccionada son dependientes. En particular, se sugiere
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
Relación NDVI y
LAI
(Valores medios)
índices
espectrales
53
of Environment.
http://doi.org/10.1016/S0
034-4257(97)00104-1
presencia de parches desnudos entre las plantas, y que la variación habitual
de LAI con NDVI puede explicarse como el resultado de una variación de la
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)
12
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/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
Estimación de
coberturas de
suelo, relación
NDVI y LCA
(Absorción de
celulosa y
lignina)
Índices
espectrales
54
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)
13
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/10.1080/01
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
evaluación de la precisión independiente construido a partir de fotografías
aéreas. Imágenes de índices de vegetación con mayor correlación con los
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)
Análisis de
mezcla espectral
lineal
Índices
espectrales
55
14
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/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,
Australia, tanto de vegetación por matorrales chenopod perennes,
principalmente saltbush. El porcentaje de cobertura vegetal y la reflectancia
del suelo se midieron a lo largo de 147 sub-transectos y en 147 cuadrantes
correspondientes, respectivamente. La regresión lineal se calculó para
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
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)
Evaluación de
índices de
vegetación en
zonas semiáridas
(MSAVI
NDVI)
Índices
Espectrales
15
Huete, A., Liu, H. Q.,
Batchily, K., & van
Leeuwen, W. (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/S0
034-4257(96)00112-5
Un conjunto de imágenes Landsat Thematic Mapper que representan una
amplia gama de condiciones de la vegetación de la tierra de la NASA Landsat
Pathfinder (GLCTS), en esta iniciativa se procesaron para simular la
imágenes de Moderate Resolution Imaging Spectroradimeter (MODIS),
imágenes globales de índices de vegetación a 250 m resolución de pixel. Los
sitios incluidos bosque boreal, bosque templado de coníferas, bosque
templado caducifolio, bosque tropical, praderas, sabanas y biomas del
desierto. Las diferencias y similitudes en la sensibilidad a las condiciones de
vegetación se compararon entre los diversos índices espectrales de
vegetación (VIS). Todos los VI’s mostraron una relación cualitativa a las
variaciones en la vegetación. Sin embargo, hubo diferencias significativas
entre los VI’s sobre el desierto, pastizales y los biomas forestales. El índice
de vegetación de diferencia normalizada (NDVI) fue sensible y respondió
Comparación de
índices
espectrales entre
Landsat y Modis
SARVI(Zonas
forestales)
NDVI
(Pastizales,
zonas
desérticas)
Índices
Espectrales
56
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
16
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/10.1016/00
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 foliar 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 fracción de material de hoja muerta. (Hunt, Rock, & Nobel,
1987)
Índice LWCI
(Contenido de
agua en la
vegetación)
Índices
espectrales
17 Chavez Jr., P. S. (1988).
An improved dark-object
El análisis digital de datos de teledetección se ha convertido en un
componente importante de muchos estudios de ciencias de la tierra. Estos
Método de
corrección Correcciones
57
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
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 la
parte visible del espectro electromagnético y los valores de dispersión están
correlacionados entre sí. Por lo tanto, los datos multiespectrales, 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
18
Liao, Z., He, B., & Quan,
X. (2015). Modified
enhanced vegetation
index for reducing
topographic effects.
Journal of Applied
Remote Sensing, 9(1),
096068.
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
ampliamente utilizado en el monitoreo ambiental. Se puede reducir el ruido
de fondo y la atmósfera a través de su formato basado en la
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
Modificación del
EVI en función
de los efectos
topográficos
Correcciones
58
http://doi.org/10.1117/1.J
RS.9.096068
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
una variable relacionada con el ángulo de incidencia. En la evaluación del EVI
modificado, otros tres métodos de corrección topográficos conocidos, i) Sun-
canopy-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 efecto
similar al SCS + C en las regiones de ángulo bajo de incidencia, en gran
medida disminuye la desviación estándar de las mismas 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
REFLECTANCE-
DERIVED 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)
Características
del sensor
Landsat 8 y
resumen de
índices
espectrales
Índices
espectrales
20
Ariza, A. (2013).
Descripción y Corrección
de Productos Landsat 8
LDCM (Landsat Data
Continuity Mission).
Centro de Investigación
Descripción detallada de los productos derivados del sensor Landsat OLI 8
así como el proceso de corrección radiométrica. Landsat 8 Landsat
59
Y Desarrollo En
Información Geográfica
Del IGAC -CIAF, 46
21
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.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 post-
incendio MODIS a una resolución espacial de 250 m sirve como el punto de
partida de un método basado en la 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),
y la relación de la quemadura Normalizado (NBR). La estadística j es aplicada
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 forestales
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)
Mapeo de áreas
quemadas
Índices
espectrales
60
22
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).
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 la 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
23
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)
El propósito de este trabajo es regionalizar a Colombia en zonas homogéneas
respecto al régimen de lluvias según la estacionalidad. Para realizar la
división deseada, se caracterizó cada estación por su ciclo anual, y su
carácter regional por agrupación mediante análisis por componentes
principales (ACP). El área de aplicación abarca todo el territorio colombiano,
con series de datos mensuales, de la variable precipitación (mm), que
corresponde al periodo de 1971-2010 de 408 estaciones. En este trabajo se
presentan los resultados alcanzados por la aplicación de ACP en la
identificación de las diecisiete regiones homogéneas y sus subregiones, las
cuales concuerdan con el régimen de precipitación en Colombia. Se
describen los principales procesos sinópticos que generan las precipitaciones
en Colombia, y como éstos explican el régimen característico de cada región.
(D. Guzmán, Ruíz, & Cadena, 2014)
Selección de
imágenes Climatología
24
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
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 iluminación). (Riaño, Salas, &
Chuvieco, 2000)
Mapeo de un
Modelo de
Combustibles
Índices
Espectrales
61
Sostenible: IX Congreso
Del Grupo de Métodos
Cuantitativos, Sistemas
de Información
Geográfica Y
Teledetección, 222–239.
25
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.uf
ug.2015.03.008
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 intensiva 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
dosel y el área basal. En nuestro estudio, tres índices de vegetación,
incluyendo el índice de vegetación de diferencia normalizada (NDVI), relación
sencilla (SR), y la vegetación de diferencia normalizada verde (GNDVI),
obtenido a partir de datos de Landsat-5 Thematic Mapper (TM) y datos de la
estructura de los bosques urbanos derivados de la encuesta sobre el terreno
se utilizaron para desarrollar un modelo de regresión para predecir las
estructuras forestales urbanas seleccionadas en Changchun, china. Por
último, un mapa de la estructura del bosque urbano se produce a partir del
mapa de índices de vegetación mediante el uso de los modelos de regresión
basado en las mediciones de los atributos estructurales del bosque urbano y
los índices de vegetación. Los resultados muestran que es mejor el NDVI que
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
Estimación de
características
físicas del
bosque urbano
(NDVI
GNDVI
SR).
Índices
espectralesExte
rnal factor
consideration in
vegetation index
development
62
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 la 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)
26
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.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)
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
27
Gu, Z., Ju, W., Li, L., Li,
D., Liu, Y., & Fan, W.
(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 intercambios de carbono, agua, energía entre la
atmósfera y la superficie. En este estudio, la aplicabilidad del cálculo de la
medición del tono y la textura, utilizando una imagen IKONOS-2 en la
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
Determinación
de la fracción de
la cobertura
vegetal
Índices
espectrales
63
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 madurez vegetación y la regularidad.
(Gu et al., 2013)
(NDVI
RVI
SAVI
ARVI)
28
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/js
s.v043.i04
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
de información geográfica. Como Landsat y otros datos se vuelven más
ampliamente disponible, la demanda de estos métodos de corrección
mejoradas aumentará. Abrir el recurso del software estadístico R, puede
ayudar a cerrar la brecha entre la investigación y la aplicación. Sofisticadas
rutinas de datos espaciales ya están disponibles, y la facilidad de desarrollo
de programas de R hace que sea fácil de poner en práctica nuevos algoritmos
de corrección y la evaluación los resultados. La recopilación de rutinas de
corrección radiométrica, atmosféricas, topográficas y en el paquete Landsat
los hará fácilmente disponible para la evaluación para aplicaciones
particulares. (Goslee, 2011)
Análisis de datos
de Teledetección
en R
(Métodos de
corrección,
análisis
estadistico)
Landsat
64
29
Wang, J., Sammis, T. W.,
Gutschick, V. P.,
Gebremichael, M.,
Dennis, S. O., &
Harrison, R. E. (2010).
Review of Satellite
Remote Sensing Use in
Forest Health Studies.
The Open Geography
Journal, 3(1), 28–42.
http://doi.org/10.2174/18
74923201003010028
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 incendios, la cartografía de
la gravedad después del incendio, la cartografía de la infestación por insectos,
y el seguimiento de estrés hídrico relativo. Este documento analiza el uso de
la teledetección por satélite en los estudios de sanidad forestal, incluidas las
actividades de investigación en curso; los sensores de satélite, los métodos
y parámetros utilizados; y su precisión. La revisión concluye que los datos de
los satélites de Moderate Resolution Imaging Spectroradiometer (MODIS)
son más apropiados para la mayoría de las aplicaciones de teledetección
para la salud de los bosques que otros datos del satélite actuales, al
considerar resoluciones temporales y espaciales, el coste y bandas. MODIS
tiene un día 1-2 temporal y una resolución espacial 250-1000 m; los datos
son gratuitos y abarcan más bandas espectrales que otros satélites (hasta 36
bandas). Recomendamos que el modelado físico y fisiológico (por ejemplo, la
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)
Salud de los
bosques
(NDVI
SR
GRVI
MSAVI
EVI)
Índices
espectrales
30
Wang, L. T., & Deliberty,
T. L. (2005). Landsat
Atmospheric Correction :
The Good, the Bad, and
the Ugly. ESRI
International User
Conference, 1–15.
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
radiante atmósfera suele ser más baja que la temperatura de la superficie,
pero puede ser revertido cuando la atmósfera es más caliente que la
superficie. Para muchas aplicaciones, esto no es aceptable y requiere un
modelo de corrección atmosférica para dar cuenta de la absorción
atmosférica y de emisiones (principalmente de vapor de agua). Se calcula la
temperatura de la superficie del agua para cuatro imágenes Landsat. ERDAS
IMAGINE es un software de procesamiento de imágenes que tiene un módulo
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
Corrección
Atmosférica Correcciones
65
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)
31
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/10.1078/01
76-1617-01176
El Índice 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 infrarrojo cercano (NIR) de
reflectancia (ρNIR) siga respondiendo en forma significativa a los cambios en
la densidad de la vegetación de moderada a alta (LAI 2-6) en los cultivos. Sin
embargo, esta mayor sensibilidad de la ρNIR tiene poco efecto sobre los
valores de NDVI una vez que el ρNIR excede 30%. En este trabajo se propuso
una simple modificación del NDVI. El índice de vegetación ancha de rango
dinámico, WDRVI = (a * ρNIR-ρRed) / (a * ρNIR + ρRed), donde el coeficiente
de ponderación a tiene un valor de 0,1-0,2, aumenta la correlación con la
fracción de vegetación por linealizar la relación típica para el trigo, soja y maíz.
La sensibilidad de la WDRVI a moderado a alto LAI (entre 2 y 6) era al menos
tres veces mayor que la del NDVI. Mediante la mejora de la gama dinámica
durante el uso de las mismas bandas como el NDVI, la WDRVI permite una
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)
WDRVI
NDVI
Índices
Espectrales
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
Método para el
cálculo de vigor
organización y
resiliencia
Salud ambiental
66
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 los casos estaban en
Shaoxing, Ningbo y Cixi. (Z. Chen et al., 2010)
(NDVI)
33
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/S0
034-4257(96)00072-7
La mayoría de los animales usan el rango espectral "verde" para detectar a
distancia la presencia y la vitalidad 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
lugar. En este artículo nos desafiamos este enfoque, utilizando 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. Se demuestra que,
para una amplia gama de verdor de la hoja, la sensibilidad máxima de
reflectancia coincide con el máximo de absorción del rojo de la clorofila-a
(Chl-a) a 670 ƞm. Sin embargo, para el amarillo-verde de las hojas verdes
(con Chl-a más de 3 a 5 g / cm2), la reflectancia cerca de 670 ƞm no es
sensible a la concentración de clorofila debido a la saturación de la relación
de absorciones frente a la concentración de clorofila. Se encontró que la
sensibilidad máxima concentración de Chl-a para una amplia gama de su
variación (0,3 a 45 g / cm2), 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 r2> 0,95. Esta banda estará
presente en varios sensores de los satélites futuros con una visión global de
la vegetación (SeaWiFS que será lanzado en 1996, Pólder en ADEOS-1
Utilización del
canal verde para
la medición de la
tasa fotosintética
y el estrés
vegetal
(GNDVI
GARI
NDVI
ARVI)
Índices
Espectrales
67
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 / cm2 a 45 µg / cm2, 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 resistente 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)
34
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.ec
ocom.2013.06.003
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
del ecosistema. Sin embargo, las mediciones de datos en campo de los
rasgos de las plantas están todavía limitadas a un área pequeña, a un cierto
momento en el tiempo y para cierto número de especies únicas. Por lo tanto,
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)
Mapeo de la
características
de la vegetación
(Ch, N, P)
Salud
Ambiental
35 Luoto, M., Toivonen, T.,
& Heikkinen, R. K.
(2002). Prediction of total
Este trabajo tiene como objetivo estudiar la previsibilidad de los patrones de
mesoescala de la riqueza de especies de plantas vasculares en un paisaje
agrícola y rivereño finlandés. Utilizando modelos lineales generalizados,
Predicción de
riqueza de
especies a partir
Organización
68
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
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)
de imagines
Landsat
Riqueza
36
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/s14
1121117
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 evaluación 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
Revisión de
Salud
ecosistémica a
partir de
sensores
remotos.
Salud
Ambiental
69
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, la 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)
37
Zhongming, W., Lees, B.
G., Feng, J., Wanning,
L., & Haijing, S. (2010).
Stratified vegetation
cover index: A new way
to assess vegetation
impact on soil erosion.
CATENA, 83(1), 87–93.
http://doi.org/10.1016/j.ca
tena.2010.07.006
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
que componen una comunidad vegetal en un índice para su inclusión en la
pérdida de suelo en las ecuaciones de predicción es una pregunta de
investigación abierta. En este trabajo se propone un método para medir por
separado la cobertura de diferentes estratos de vegetación, estimar su
contribución a la reducción de la pérdida de suelo, y luego integrarlo en un
único índice de vegetación llamado el índice de cobertura de vegetación
estratificada (Cs). Los resultados muestran que Cs es más eficaz que la
cobertura vegetal proyectada para la evaluación de la erosión del suelo y
también puede superar las desventajas de los índices de vegetación como el
NDVI. Esto significa que Cs es un buen sustituto de la cobertura vegetal o de
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)
Contribución de
la cobertura
vegetal a la
disminución de la
pérdida de suelo
Índices
espectrales
38
Xu, C., Li, Y., Hu, J.,
Yang, X., Sheng, S., &
Liu, M. (2012).
Evaluating the difference
between the normalized
difference vegetation
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 fiabilidad 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
Comparación
entre el NDVI y
PNN
Índices
espectrales
70
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)
39
Xu, D., & Guo, X. (2015).
Some Insights on
Grassland Health
Assessment Based on
Remote Sensing.
Sensors, 15(2), 3070–
3089.
http://doi.org/10.3390/s15
0203070
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
naturales ha estado atrayendo a muchos investigadores de pastizales para
controlar el estado de pastizales y la dinámica durante décadas. Las técnicas
de teledetección, que se hacen avanzan en el tratamiento de las restricciones
de escala de la investigación ecológica y proporcionan información temporal,
se convierten en un poderoso método de seguimiento del ecosistema de
pastizales. Hasta ahora, los estudios de seguimiento de la salud de pastizales
se han centrado principalmente en diferentes áreas, por ejemplo, la
evaluación de la productividad, la clasificación, la dinámica de la vegetación,
la capacidad de transporte de ganado, la 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
Salud ambiental
de los pastizales Salud ambiental
71
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)
40
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.
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)
Sensibilidad de
los VI’s al LAI
(NDVI
GNDVI
MSAVI)
Índices
espectrales
41
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.
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)
LAI LAI
72
42
Wang, Q., Adiku, S.,
Tenhunen, J., & Granier,
A. (2005). On the
relationship of NDVI with
leaf area index in a
deciduous forest site.
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 modelo de transferencia radiativa con
el aporte de las mediciones del dosel encima y por debajo de la radiación
global, mientras que los conjuntos de datos de NDVI fueron recuperados de
la composición de NDVI de series de tiempo de varias fuentes de
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)
Relación NDVI y
LAI en bosques
caducifolios.
LAI
73
43
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.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
mediante el cálculo de las diversidades beta por pares de los 145 condados
en los dos estados para los datos de distribución de las especies y mediante
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 variabilidad
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)
NDVI y
distribución beta
de especies.
Organización
44
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
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 rango 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
Análisis de
composición
paisajística a
partir de
unidades de
paisaje
establecidas
Organización
74
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 medida de la diversidad beta) y AGROrichness,
el número de especies de importancia para la 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 sub-
regiones.
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 como un medio eficaz
para la evaluación del rango de diversidad de especies de plantas dentro de
las subregiones. En comparación con otras medidas de la 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)
45
Lawes, R. A., & Wallace,
J. F. (2008). Monitoring
an invasive perennial at
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
Monitoreo de
especies
invasoras
Organización
75
59.
http://doi.org/10.1111/j.14
42-8903.2008.00387.x
asociados con el establecimiento de malezas y engrosamiento. En este
estudio, utilizamos una serie temporal de imágenes de teledetección para
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 km2 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 resultados 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)
46
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.14
72-4642.2007.00372.x
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
herramienta en la diversidad y la investigación de la conservación,
especialmente en zonas de difícil acceso. La creciente disponibilidad de
imágenes satelitales de alta resolución nos está permitiendo estudiar esta
cuestión con más cuidado. Tomamos muestras de la riqueza de especies y
rareza en 34 cuadrantes (1000 m2) a lo largo de un gradiente de elevación
entre 300 y 2.200 m centrándose en el Monte Hermon como estudio de caso.
A continuación, utilizó 10 imágenes del satélite Landsat, Aster, y QuickBird
que van durante varias temporadas, subiendo a muy altas resoluciones, para
examinar la relación entre la riqueza de especies, rareza, y los índices de
vegetación calculados a partir de las imágenes. Se utilizó el índice de
vegetación de diferencia normalizada (NDVI), uno de los índices de
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
Relación, riqueza
y rareza y el
NDVI
(Landsad
Aster
QuickBird)
Organización
76
entre el NDVI y tanto la riqueza de especies de plantas y el porcentaje de la
cobertura 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)
47
Nagendra, H. (2001).
Using remote sensing to
assess biodiversity.
International Journal of
Remote Sensing, 22(12),
2377–2400.
http://doi.org/10.1080/01
431160117096
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
individuales. La segunda técnica consiste en el mapeo de hábitats a partir de
datos obtenidos por teledetección, y las predicciones de distribución de las
especies en base a los requerimientos de hábitat. Por último, el
establecimiento de relaciones directas entre los valores de radiancia espectral
registrados a partir de sensores remotos y los patrones de distribución de
especies registradas en observaciones de campo puede ayudar a evaluar la
diversidad de especies. La correspondencia directa es aplicable sobre
extensiones más pequeñas, para obtener información detallada sobre la
distribución de determinadas especies o asociaciones del dosel. Las
estimaciones de las relaciones entre los valores 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
Potencial de la
teledetección
para la
evaluación de la
diversidad de
especies
Organización
77
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 mejor aplicada sobre extensiones espaciales
limitadas de decenas de kilómetros cuadrados (Nagendra, 2001).
48
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/BE
R/pdfs/ber21/ber21-
053.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 y los patrones de riqueza de especies. (Räsänen et
al., 2016)
Riqueza de
especies en
función de la
topografíay la
geodiversidad
(CLC
DEM)
Organización
49
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.
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
Identificación de
Hotspts de
biodiversidad a
partir de RS y
peligros
potenciales del
uso inadecuado
de las imágenes
Organización
78
http://doi.org/10.1002/rse
2.9
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
predecir la diversidad de especies. Nuestro trabajo muestra 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) 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)
50
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/ge
b.12411
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 de la transpiración-base del uso
eficiente del agua (WUEt) y la transpiración-base del uso eficiente inherente
del agua (IWUEt)
El WUE, WUEt e IWUEt producen diferentes relaciones espaciales con las
variables climáticas. En los ecosistemas secos, las pérdidas de agua por
evaporación desde el suelo desnudo, sin correlación con la productividad,
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)
Uso del agua en
los ecosistemas
terrestres
Organización
51
Wilkes, P. T. V. (2016,
January 13). Assessment
of forest canopy vertical
structure with multi-scale
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
Técnicas de
teledetección
para el manejo
forestal
Lidar
Organización
79
from
http://www.itc.nl/library/p
apers_2016/phd/wilkes.p
df
estructura del bosque. Esto es particularmente cierto en los 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 medición de bosque tridimensionalmente detallando
la estructura en amplias zonas. (Wilkes, 2016)
52
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/10.1890/00
12-
9658(2002)083[2293:SE
ODRI]2.0.CO;2
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 fue 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
Uso de NDVI
para el estudio
de áreas
quemadas
Resiliencia
80
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)
53
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/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 las especies objetivo y servicios de los
ecosistemas? ¿Cómo pueden la teledetección de productos derivados
Percepción
Remota y
Conservación
Salud ambiental
81
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)
54
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 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 los
cambios estacionales y espaciales en respuesta de la vegetación. Las
tendencias post-incendio y métricas para las áreas quemadas son evaluadas
y comparadas con los sitios no quemados de referencia para tener en cuenta
la influencia de las condiciones ambientales locales. La interpretación de los
datos de series de tiempo proporciona información detallada acerca de la
influencia del clima sobre la vegetación post-incendio. Aunque sólo dos sitios
muestran un incremento en la vegetación post-incendio, todos los sitios
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 post-
incendio. (van Leeuwen et al., 2010)
Enfoque para
evaluar los
cambios en la
dinámica de la
vegetación post-
incendio
NDVI
(MODIS)
Resiliencia
82
55
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/s80
32017
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 la 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
2001. Las dinámicas de las vegetaciones inter-anuales y estacionales antes,
durante y después de los incendios forestales pueden ser monitorizadas
utilizando una serie temporal de cada dos semanas compuesta MODIS-NDVI
(imágenes de resolución moderada de espectrorradiómetro –Índice de
Diferencia normalizada Vegetation) de datos. Los métodos de análisis de
series temporales incluyen métricas de diferencia, filtros de suavizado y
funciones de ajuste que se aplicaron para extraer cambio estacional e
interanual y métricas fenológicos a partir de los datos de series temporales
de NDVI de 2000 a 2007. Antes y datos de Landsat post-incendio se utilizaron
para calcular el índice de Proporción normalizada de incendio (NBR) y
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
Enfoque para
evaluar los
cambios en la
dinámica de la
vegetación post-
incendio
NDVI
MODIS
Resiliencia
83
perturbaciones de los incendios forestales, y los tratamientos de restauración
forestal en los bosques ha suprimido el fuego.(van Leeuwen, 2008)
56
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/10.1029/20
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
regional y global. Se han propuesto varios índices espectrales de vegetación,
pero su capacidad para estimar el LAI es altamente reducida de moderada a
alta. En este trabajo, se propone una técnica para estimar el LAI y la biomasa
de hojas verdes de forma remota utilizando reflectancias espectrales en dos
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 más de 6. (Gitelson et al., 2003)
Cálculo del LAI
en cultivos de
maíz
NDVI
VARI
LAI
57
Yu, G., Yu, Q., Hu, L.,
Zhang, S., Fu, T., Zhou,
X., Jia, H. (2013).
Ecosystem health
assessment based on
analysis of a land use
database. Applied
Geography, 44, 154–164.
http://doi.org/10.1016/j.ap
geog.2013.07.010
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
datos tradicionales y marcos de evaluación para la EHA en la escala del
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
Economía Nacional del condado de Anlu. Los datos espaciales y de atributos
se extraen en parte de la base de datos de uso actual del suelo en la ciudad
de Anlu utilizando la plataforma MAPGIS. Con base en los resultados de un
análisis de componentes principales (PCA), se seleccionaron un total de once
indicadores para construir un sistema de indicadores diseñados para evaluar
la salud de los ecosistemas a escala de condado. De acuerdo con el modelo
PSR, se calcularon las puntuaciones de los tres índices (índice de presión,
índice de estado, y el índice de respuesta) y un índice de evaluación integral
(CAI), además s e construyó un mapa. 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 la evolución de los ecosistemas naturales
y las actividades humanas en la escala del condado. La precisión de la base
Evaluación de la
Salud
Ecosistémica
Análisis de
Componentes
Principales
Salud
Ambiental
84
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)
58
Zhou, Y., Zhang, L.,
Xiao, J., Chen, S., Kato,
T., & Zhou, G. (2014).A
Comparison of Satellite-
Derived Vegetation
Indices for Approximating
Gross Primary
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 verdor 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 variaciones en la GPP observado mejor en
período de sequía que en el periodo no seco para un sitio de pradera alpina
Relación de la
productividad
primaria bruta
con VI’s en
praderas-
pastizales
(EVI
NDVI
SAVI
ARVI
NDGI
RVI
RESR1
RSR2
RSR3)
Índices
espectrales
85
debido a la supresión del crecimiento de la vegetación por la sequía. (Zhou
et al., 2014)
59
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.ja
g.2013.11.014
El sur de África 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
África del Sur (1982-2006) y utilizamos gráficos de probabilidad de
persistencia para estimar los tiempos de desintegración de las tendencias del
NDVI como medio para caracterizar la resistencia potencial de los biomas
claves del sur de África. Los patrones positivos y negativos de las tendencias
de la persistencia del NDVI fueron espacialmente coherente, lo que indica un
comportamiento dinámico colectivo de la cobertura vegetal. Los gráficos de
Persistencia de la probabilidad indican diferencias en la capacidad de
recuperación entre los biomas. La media de los tiempos de recuperación de
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)
Dinámica de
recuperación de
la vegetación en
zonas semi
áridas
NDVI
Series de
Tiempo
Resiliencia
60
Running, S. W., Nemani,
R. R., Heinsch, F. A.,
Zhao, M., Reeves, M., &
Hashimoto, H. (2004). A
continuous satellite-
derived 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 vegetación. Se resume la historia
GPP y NPP
MODIS Vigor
86
global terrestrial primary
production. BioScience,
54(6), 547–560.
Retrieved from
https://www.scopus.com/
record/display.uri?eid=2-
s2.0-
2942618334&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 presentados 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)
61
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/2808011
66
Los bosques secos tropicales son uno de los tipos de bosques más
amenazados del mundo. Actualmente no existen datos comparativos sobre
la extensión o los niveles de riqueza de especies de fragmentos de bosque
restante. Esta investigación identifica las medidas del paisaje y los índices
espectrales que se pueden aplicar en el nivel de parcelas y el parche para
predecir la riqueza de especies leñosas de plantas en los bosques tropicales
secos. Este estudio se realizó en 18 unidades de bosque seco tropical con
nueve sitios en los Cayos de Florida y nueve sitios dentro de una matriz
urbano-agrícola en la Florida continental, EE.UU. Las especies de plantas
leñosas riqueza se cuantificó en el nivel de soporte (transectos de banda total
de 500 m2) y nivel de parche (datos de presencia / ausencia de 65 plantas
tropicales nativas ≤ 2.5 cm DAP) para todos los sitios de estudio. Las
imágenes satelitales Landsat (píxeles de resolución 30 x 30 m) Enhanced
Thematic Mapper Plus (ETM+) se utilizaron para evaluar la utilidad de las
medidas del paisaje (área parche de bosque, distancia del vecino más
cercano, índice de forma, la complejidad límite) y los índices espectrales de
vegetación (Índices de vegetación de diferencia normalizada [NDVI] durante
9 píxeles y 500 píxeles directamente sobre los transectos, y todos los píxeles
del área de la zona forestal) para predecir la riqueza de especies de la unidad-
y nivel de parche. Las 18 unidades de bosque seco tropical en la muestra en
este estudio se incluyeron a 4248 plantas leñosas, que representan 71 de
las especies.
Riqueza en
bosques secos
tropicales a partir
de NDVI
Bosques Secos
Tropicales
Organización
87
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 variabilidad 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 la 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
Opazo Saldivia, S., &
Rodríguez-Verdú, F.
(2007). Variación
espacial de índices
espectrales sobre áreas
quemadas en
sudamérica. Cuadernos
de Investigación
Geográfica, 33, 39–57.
El presente trabajo se orienta al análisis de la variación en la respuesta
espectral que presentan las áreas quemadas de distintas regiones de
Sudamérica. La extracción de información espectral se ha realizado usando
imágenes MODIS (MCD43), sobre perímetros de áreas quemadas extraídos
previamente mediante interpretación visual de imágenes de mayor resolución
espacial (Landsat y CBERS). El estudio ha utilizado dos índices de área
quemada (NBR y BAI) y variables auxiliares de vegetación y clima. Los
resultados muestran que las variables de vegetación explican en mejor forma
las variaciones que presentan los índices en las distintas zonas quemadas.
En general, se observó que los grupos que corresponden a zonas con
mayores niveles de arbolado muestran los valores más elevados en los
índices de áreas quemadas. (Opazo Saldivia & Rodríguez-Verdú, 2007)
Variación de la
respuesta
espectral de las
áreas quemadas
con los índices
NBR y BAI
MODIS
Resiliencia
63
Ariza, A., Garcia, S.,
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
Modelo CAIN
Fisher
Índices
espectrales
88
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/
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)
64
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/S0
034-4257(96)00067-3
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 vegetales. 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
NDWI
Contenido de
Agua en la
vegetación
Índices
espectrales
89
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)
65
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.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
VWC del dosel del maíz y la soja. Con datos de Landsat TM y Landsat ETM+
y mediciones basadas en tierra del VWC fueron utilizados para establecer
relaciones basadas en índices obtenidos por teledetección. Los dos índices
estudiados fueron el índice de vegetación de diferencia normalizada (NDVI)
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 instrumentos MODIS sobre las plataformas de
Terra y Aqua, que pueden proporcionar cobertura temporal diaria (Jackson et
al., 2004)
Comparación
NDVI y NDWI
para el contenido
de agua cultivos
de soja y maíz
Índices
espectrales
90
66
Huete, A. R. (1988). A
soil-adjusted vegetation
index (SAVI). Remote
Sensing of Environment,
25(3), 295–309.
http://doi.org/10.1016/00
34-4257(88)90106-X
Una técnica de transformación se presenta para minimizar las influencias de
brillo del suelo a partir de los índices 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
reflectancia trazada en el espacio de longitudes de onda NIR-Rojo para dar
cuenta de primer orden interacciones suelo-vegetación y la diferencial roja y
NIR flujo de extinción a través de dosel de la vegetación. Para los doseles del
algodón (Gossypium hirsutum L. var DPI-70) y una variedad de pastos
(Eragrostics lehmanniana Nees), sustentada con diferentes orígenes del
suelo, la transformación casi se eliminó las variaciones del suelo inducida en
los índices de vegetación. Posteriormente, se presenta una base física para
el índice de vegetación 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
67
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/10.1016/00
34-4257(94)00063-S
En este artículo se propone una nueva 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,
sin ambigüedades de la estructura de la vegetación que son importantes para
la biogeoquímica del ecosistemas y se pueden medir y validar en el campo,
2) las características estructurales son remotamente percibidas para que
sean repetibles las reclasificaciones y eficientes a nivel mundial de la
vegetación existente serán posibles, y 3) las clases definidas de la vegetación
traducirá directamente en los parámetros biofísicos de interés para el clima
global y los modelos biogeoquímicos. Una primera prueba de esta lógica para
el territorio continental de Estados Unidos se presenta en base del NDVI
existente de en 1 kilómetro AVHRR. Se discuten procedimientos para la
solución de problemas teledetección críticos necesarios para poner en
práctica la clasificación. Además, se sugieren algunas inferencias a partir de
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
91
68
Yang, X., & Guo, X.
(2014). Quantifying
responses of spectral
vegetation indices to
dead materials in mixed
grasslands. Remote
Sensing, 6(5), 4289–
4304.
http://doi.org/10.3390/rs6
054289
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 factores 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
los pastizales mixtos. Por lo tanto, es necesario una investigación cerca de la
relación entre VIs y materiales muertos. Las relaciones identificadas podrían
proporcionar una mejor comprensión de no sólo el uso de datos de
teledetección para la estimación cuantitativa de materiales muertos, sino
también la mejora de la estimación de la vegetación verde en la pradera mixta
que tiene una alta proporción de materiales muertos. En este artículo, la
reflectancia espectral de materiales muertos y mezclas de vegetación verde
y cobertura de material muerto se midieron en pastizales mixtos, situados en
el Grassland National Park (GNP), Saskatchewan, Canada. Nueve VI’s se
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
y análisis de sensibilidad. Los resultados indicaron que la relación entre la
cobertura de material muerto y el VI’s está una función de la cantidad de
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
Respuesta
espectral de VI’s
a materiales
muertos en
pastos
NDVI
MSAVI
SAVI
ATSAVI
L-ATSAVI
EVI
WDVI
TVI
Índices
espectrales
92
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)
69
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.
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
relacionados con la vegetación tales como las variaciones del fondo del suelo,
las condiciones atmosféricas, y geometrías de visión del sensor. En
consecuencia, existe una necesidad de cuantificar estos efectos cuando se
utiliza estos índices de vegetación. Unos análisis de sensibilidad de los
índices de vegetación existentes se hicieron utilizando los datos de los
espectros modelados y las mediciones de teledetección desde tierra. El
análisis se realizó con respecto al fondo del suelo, la atmósfera y geometrías
de visión del sensor. Se establecieron criterios generales para evaluar los
índices de vegetación, y en base a estos criterios, se ha desarrollado un
nuevo índice. El nuevo índice fue desarrollado mediante la adaptación de la
reflectancia en la región azul para las correcciones atmosféricas en el índice
de la vegetación del suelo Ajustado Modificado (MSAVI). El resultante Índice
de Atmosfera – Vegetación - Suelo (ASVI) se comparó con otros índices y
aumento de la sensibilidad a la vegetación, al tiempo que reduce aún más la
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)
Cuantificación de
efectos del suelo,
fondo y
atmosfera sobre
VI’s
NDVI
PVI
SAVI
TSAVI
SAVI2
MSAVI
ARVI
SARVI
ASVI
GEMI
Índices
espectrales
70
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
A pesar de la Amazonia brasileña, junto con la región del Cerrado presenta
uno de los mayores números de ocurrencias de eventos de fuego, casi no
hay estudios con el objetivo de diseñar el área quemada (BA) indicadores
específicamente para esta región se han intentado. Este tema es de particular
interés ya que la exactitud de los mapas de BA está estrechamente
relacionado con las características del lugar (por ejemplo, pre-fuego tipo y las
Análisis de zonas
quemadas
VW
NDVI
VI20
Índices
espectrales
93
and Cerrado regions
using MIR/NIR
information. Anais XV
Simpósio Brasileiro de
Sensoriamento Remoto,
(Pereira 1999), 8020–
8027. Retrieved from
http://marte.dpi.inpe.br/co
l/dpi.inpe.br/marte/2011/0
6.30.12.48/doc/p1044.pdf
\npapers3://publication/u
uid/F5C4EBA4-1C45-
47A9-83D5-
8CDDC36C8451
condiciones de cobertura de suelo, suelo de fondo, la severidad del fuego, los
procesos de post-incendio, y las condiciones atmosféricas) y Además, los
umbrales de índice son a menudo subjetivos o varían de una región a otra.
De acuerdo con ello, un nuevo índice espectral, diseñado específicamente
para la discriminación de la tierra quemada en las regiones Amazonas y
Cerrado utilizando el dominio espectral media / infrarrojo cercano, fue
probado en conjuntos de imágenes de resolución moderada (MODIS). La
utilidad del nuevo índice de discriminación de tierra quemada se evaluó frente
a otros índices espectrales ampliamente usados: Índice de Vegetación de
Diferencia Normalizada (NDVI), Índice de Área Quemada (BAI) y Índice
Global de Monitoreo Ambiental (GEMI), definido en el espacio de Red/ NIR;
y la versión modificada por ellos, a saber VI20, BAI20 y GEMI20 define en el
espacio medio / infrarrojo cercano del sensor MODIS. La capacidad de cada
índice para discriminar entre las superficies quemadas y no quemadas se
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 máscaras de agua, lo que no
es cierto para los índices restantes. (Libonati, de Portugal e Castro da
Camara, Pereira, & de Faria Peres, 2011)
BAI20
GEMI
GEMI20
71
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/BF
00031911
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
interpretación cuantitativa de las observaciones puede ser difícil. Las medidas
de reflectancia en las regiones visible y del infrarrojo cercano han sido
analizadas con índices simples pero de grandes alcances diseñados para
mejorar el contraste entre la vegetación y otros tipos de superficie, sin
embargo, estos índices son más sensibles a los efectos atmosféricos. La
"corrección" de los datos de satélite para efectos atmosféricos es posible pero
requiere grandes conjuntos de datos sobre la composición de la atmósfera.
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)
GEMI Índices
Espectrales
94
72
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/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 (R970 /
R900) fueron los 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
profundas (Arbutus unedo y Quercus coccifera), dos arbustos de poca
profundidad de raíces (Cistus albidus y C. monspeliensis), y una hierba
(Brachypodium retusum). Las especies estudiadas en condiciones
experimentales fueron dos árboles (Pinus halepensis y P. ilex), y seis
arbustos (Arbutus unedo, Q. coccifera, C. albidus, C. monspeliensis, Phillyrea
angustifolia, y Pistacia lentiscus). Durante la desecación, la cubeta 970 nm
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)
Método para la
estimación de la
humedad del
combuistible fino
directo
NDVI
WI
Índices
espectrales
95
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.
96
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).
𝑁𝐷𝑉𝐼 =𝜌𝑁𝐼𝑅 − 𝜌𝑅
𝜌𝑁𝐼𝑅 + 𝜌𝑅
Dónde 𝜌𝑁𝐼𝑅 y 𝜌𝑅 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 CO2 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)
97
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 valores del NDVI pueden
corresponder a coberturas vigorosas pero poco densas o coberturas densas de poca
vitalidad (Chuvieco, 2010).
𝑆𝐴𝑉𝐼 =𝜌𝑁𝐼𝑅 − 𝜌𝑅
𝜌𝑁𝐼𝑅 + 𝜌𝑅 + 𝐿∗ (1 + 𝐿)
Donde:
𝐿 = 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 al origen (los autores sugieren un valor posible en torno a 0.5: Huete,
1988)
7.1.3. MSAVI
El Índice de Vegetación Modificado Ajustado al Suelo (Qi, Chehbouni, et al., 1994).
𝑀𝑆𝐴𝑉𝐼 =(2 ∗ 𝜌𝑁𝐼𝑅 + 1)2 − √[(2 ∗ 𝜌𝑁𝐼𝑅 + 1)2 − 8(𝜌𝑁𝐼𝑅 − 𝜌𝑅)]
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 𝛾 es generalmente 1 (Chuvieco, 2010).
𝐴𝑅𝑉𝐼 =𝜌𝑁𝐼𝑅 − 𝜌𝑅𝐵
𝜌𝑁𝐼𝑅 + 𝜌𝑅𝐵
Dónde:
𝜌𝑅𝐵 = 𝜌𝑅 − 𝛾(𝜌𝐵 − 𝜌𝑅); Y 𝛾 = 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)
𝑆𝐴𝑅𝑉𝐼 =𝜌𝑁𝐼𝑅 − 𝜌𝑅𝐵
𝜌𝑁𝐼𝑅 + 𝜌𝑅𝐵 + 𝐿∗ (1 + 𝐿)
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
98
𝐴𝑆𝑉𝐼 =(2 ∗ 𝜌𝑁𝐼𝑅 + 1)2 − √[(2 ∗ 𝜌𝑁𝐼𝑅 + 1)2 − 8(𝜌𝑁𝐼𝑅 − 𝜌𝑅𝐵)]
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)
𝐺𝐸𝑀𝐼 =𝜂 ∗ (1 − 0.25 ∗ 𝜂) − (𝜌𝑅 − 0.125)
(1 − 𝜌𝑅)
Dónde:
𝜂 =2 ∗ (𝜌𝑁𝐼𝑅
2 − 𝜌𝑅2) + 1.5 ∗ 𝜌𝑁𝐼𝑅 + 0.5 ∗ 𝜌𝑅
𝜌𝑁𝐼𝑅 + 𝜌𝑅 + 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
𝑆𝑅 =𝜌𝑁𝐼𝑅
𝜌𝑅
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)
𝑁𝐷𝑊𝐼 =𝜌𝐺 − 𝜌𝑁𝐼𝑅
𝜌𝐺 + 𝜌𝑁𝐼𝑅
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.
𝐺𝑁𝐷𝑉𝐼 =𝜌𝑁𝐼𝑅 − 𝜌𝐺
𝜌𝑁𝐼𝑅 + 𝜌𝐺
99
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.
𝐺𝐴𝑅𝐼 =𝜌𝑁𝐼𝑅−[𝜌𝐺−𝜆∗(𝜌𝐵−𝜌𝑅)]
𝜌𝑁𝐼𝑅+[𝜌𝐺−𝜆∗(𝜌𝐵−𝜌𝑅) Y 𝜆 = 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).
𝑆𝐴𝑅𝑉𝐼2 =2.5 ∗ (𝜌𝑁𝐼𝑅 − 𝜌𝑅)
(1 + 𝜌𝑁𝐼𝑅 + 6 ∗ 𝜌𝑅 − 7.5 ∗ 𝜌𝐵)
Tabla 10. Cuadro resumen autores e índices trabajados. Fuente: Autor
Autor Tema Índices
(Ren et al., 2015) Medición de la estructura del bosque
Urbano
NDVI GNDVI
SR
(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
NDVI SAVI PVI
MSAVI ARVI
SARVI ASVI GEMI
(Huete, 1988) Formulación SAVI SAVI
(Pinty & Verstraete, 1992)
Formulación GEMI GEMI
(Gao, 1996) Formulación NDWI NDWI
(Gitelson et al., 1996)
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
NDVI GNDVI ARVI GARI
(Carlson & Ripley, 1997)
Relación NDVI-LAI-Fracción de cobertura vegetal
NDVI
(Huete et al., 1997) Comparación de la respuesta de coberturas vegetales a diferentes
índices
SAVI ARVI
SARVI MNDVI SARVI2
100
(Gitelson et al., 2003)
Técnica para la estimación del LAI en cultivos de maíz
NDVI VARI LAI
(Gitelson, 2004)
Modificación del NDVI para análisis y cartografía de la distribución
temporal y espacial de las características fisiológicas de la
vegetación
WDRVI
(Jackson et al., 2004)
Proporcionar una estimación VWC (contenido de agua de vegetación)
NDVI NDWI
(Q. Wang et al., 2005) Relación del NDVI y LAI en bosques
deciduos NDVI LAI
(Kemerer, A.; Di Bella, C.; Melchiori,
R.; Benech, A.; y Alvarez, 2007)
evaluar la sensibilidad de distintos índices espectrales al Índice de Área
Foliar (LAI) en canopeos de maíz
NDVI GNDVI MSAVI REIP R/R
(Y. Chen & Gillieson, 2009)
Examen de índices de vegetación (VI’s) en la estimación de saltbush
(arbustos salinos) y la cobertura total de la vegetación en ambientes de
pastizales semiáridos
SVI / RVI (SR) RAT57 NDVI TVI DVI PVI
WDVI SAVI IPVI
SAVI2 MSAVI SRVI SRVI2 SRVI3 MVI
MVI2 MVI3
(C. Xu et al., 2012)
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
NDVI NPP
(Gu et al., 2013)
Uso de índices espectrales y la textura de las imágenes para la
determinación de la VFC (fracción de cobertura vegetal)
NDVI RVI
SAVI ARVI
7.2. 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
101
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)
Invierno Verano
Sensor LANDSAT 8 LANDSAT 8
Path/Row 09-52 09-52
Código LC80090522013325LGN00 LC80090522016014LGN00
Porcentaje Nubosidad 4.09 0.91
102
Imagen 9. Época Invierno; Landsat 8, 09-52, 2013-11-21, color real con mejoramiento adaptativo en el software PCI 2015. Fuente: Autor
103
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.
104
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 Fecha de Adquisición Resolución
SRTM1N11W075V3 11-FEB-2000 1-Arc ( ≈30 m) SRTM1N11W074V3 11-FEB-2000 1-Arc ( ≈30 m) SRTM1N10W075V3 11-FEB-2000 1-Arc ( ≈30 m) SRTM1N10W074V3 11-FEB-2000 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.
105
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
Imagen 13. Invierno, ATCOR3. Falso Color Landsat 8 Bandas 5/4/3. Fuente: Autor
7.4. 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
106
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
Imagen 15. Escena verano. Falso color 5/4/3. Fuente: Autor
7.5. 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).
107
Imagen 16. Área del PNN Sierra Nevada de Santa Marta y Tipos de Biomas de la zona. Fuente: Autor.
108
Tabla 13. Índices Espectrales de Vegetación. Fuente: Autor
NDVI Invierno - Verano
109
SAVI Invierno - Verano
110
MSAVI Invierno - Verano
111
ARVI Invierno - Verano
112
SARVI Invierno - Verano
113
ASVI Invierno - Verano
114
GEMI Invierno - Verano
115
SR Invierno - Verano
116
NDWI Invierno - Verano
117
GNDVI Invierno - Verano
118
GARI Invierno - Verano
119
SARVI2 Invierno - Verano
120
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.
121
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.
Invierno
Promedio
Coeficiente de
Variación
Desviación Estándar
Mínimo Máximo
NDVI 0,5721 16,7466 0,0958 -0,1603 0,8851
SAVI 0,3386 29,5938 0,1002 -0,0390 0,7276
MSAVI 0,7175 37,5300 0,2693 0,0134 2,9367
ARVI 0,5468 19,4972 0,1066 -0,5708 0,8819
SARVI 0,3086 32,9281 0,1016 -0,0835 0,6831
ASVI 0,6816 38,8400 0,2647 -0,0225 2,8680
GEMI 0,6428 19,0864 0,1227 0,2063 1,1432
SR 3,9095 27,7191 1,0837 0,7236 16,4137
NDWI -0,5639 -14,1728 0,0799 -0,7763 0,1216
GNDVI 0,5639 14,1728 0,0799 -0,1216 0,7763
GARI 0,4857 18,6026 0,0903 -0,2407 0,7311
SARVI2 0,3658 32,6706 0,1195 -0,0384 0,8966
Tabla 15. Valores de VI's para Verano. Fuente: Autor.
Verano
Promedio
Coeficiente de
Variación
Desviación Estándar
Mínimo Máximo
NDVI 0,5472 18,6659 0,1021 -0,5243 0,7955
SAVI 0,3086 31,8778 0,0984 -0,1175 0,6960
MSAVI 0,6318 38,3945 0,2426 -0,0602 2,8065
ARVI 0,5031 24,2742 0,1221 -1,0691 0,7874
SARVI 0,2636 37,8564 0,0998 -0,1765 0,6553
ASVI 0,5814 40,5297 0,2356 -0,0974 2,7223
GEMI 0,6038 19,4740 0,1176 0,1631 1,1284
SR 3,6389 27,8861 1,0148 0,3121 8,7799
NDWI -0,5598 -15,0688 0,0843 -0,7585 0,4631
GNDVI 0,5598 15,0688 0,0843 -0,4631 0,7585
GARI 0,4387 22,7212 0,0997 -0,5861 0,6824
122
SARVI2 0,3139 34,5854 0,1086 -0,1052 0,8408
Tabla 16. Diferencia Invierno Verano. Fuente: Autor.
Diferencia Invierno -
Verano % Cambio
NDVI 0,0250 4,3615
SAVI 0,0301 8,8787
MSAVI 0,0857 11,9457
ARVI 0,0437 7,9901
SARVI 0,0450 14,5764
ASVI 0,1002 14,7002
GEMI 0,0390 6,0660
SR 0,2706 6,9211
NDWI -0,0041 0,7261
GNDVI 0,0041 0,7261
GARI 0,0469 9,6652
SARVI2 0,0520 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
Orobioma Alto de Santa
Marta Orobioma Medio de Santa
Marta Orobioma Bajo de
Santa Marta y Macuira
X S X S X S
NDVI 0,5123 0,0873 0,5632 0,0948 0,6159 0,0783
SAVI 0,2905 0,0893 0,3299 0,0996 0,3750 0,0930
MSAVI 0,6145 0,2473 0,6967 0,2661 0,7966 0,2607
ARVI 0,4851 0,0972 0,5383 0,1063 0,5912 0,0907
SARVI 0,2629 0,0899 0,3017 0,1017 0,3419 0,0963
ASVI 0,5839 0,2426 0,6635 0,2626 0,7552 0,2579
GEMI 0,5966 0,1172 0,6333 0,1235 0,6785 0,1143
SR 3,2391 0,7896 3,7959 1,0272 4,4124 1,0379
123
NDWI -0,5104 0,0733 -0,5551 0,0779 -0,6037 0,0624
GNDVI 0,5104 0,0733 0,5551 0,0779 0,6037 0,0624
GARI 0,4380 0,0829 0,4807 0,0912 0,5186 0,0794
SARVI2 0,3180 0,1101 0,3586 0,1206 0,4005 0,1129
Tabla 18. . Valores de VI’s para los biomas en Verano. Fuente: Autor.
Verano
Orobioma Alto de Santa
Marta Orobioma Medio de Santa
Marta Orobioma Bajo de
Santa Marta y Macuira
X S X S X S
NDVI 0,5170 0,1000 0,5488 0,1022 0,5887 0,0895
SAVI 0,2858 0,0931 0,3072 0,0993 0,3436 0,0942
MSAVI 0,5847 0,2299 0,6249 0,2420 0,7102 0,2420
ARVI 0,4790 0,1164 0,5017 0,1265 0,5400 0,1147
SARVI 0,2493 0,0943 0,2607 0,1028 0,2886 0,0986
ASVI 0,5449 0,2242 0,5733 0,2370 0,6462 0,2368
GEMI 0,5823 0,1128 0,6000 0,1190 0,6407 0,1136
SR 3,3198 0,8871 3,6553 1,0071 4,0799 1,0314
NDWI -0,5241 0,0822 -0,5619 0,0805 -0,6086 0,0657
GNDVI 0,5241 0,0822 0,5619 0,0805 0,6086 0,0657
GARI 0,4257 0,0969 0,4351 0,1039 0,4629 0,0930
SARVI2 0,2988 0,1060 0,3107 0,1106 0,3404 0,1044
Tabla 19. Diferencia entre los biomas en las temporadas de invierno - verano. Fuente: Autor.
Diferencia Invierno – Verano
Orobioma Alto de Santa Marta
Orobioma Medio de Santa Marta
Orobioma Bajo de Santa Marta y Macuira
Diferencia Porcentaje Diferencia Porcentaje Diferencia Porcentaje
NDVI -0,0047 -0,92 0,0144 2,55 0,0272 4,42
SAVI 0,0047 1,61 0,0227 6,88 0,0314 8,37
MSAVI 0,0298 4,85 0,0718 10,30 0,0864 10,85
ARVI 0,0061 1,26 0,0366 6,80 0,0512 8,66
SARVI 0,0136 5,18 0,0409 13,56 0,0534 15,61
ASVI 0,0391 6,69 0,0901 13,58 0,1090 14,43
GEMI 0,0143 2,40 0,0333 5,26 0,0378 5,57
SR -0,0807 -2,49 0,1406 3,70 0,3325 7,54
NDWI 0,0137 -2,69 0,0068 -1,22 0,0049 -0,81
GNDVI -0,0137 -2,69 -0,0068 -1,22 -0,0049 -0,81
GARI 0,0123 2,81 0,0456 9,48 0,0557 10,75
SARVI2 0,0192 6,03 0,0479 13,35 0,0602 15,02
124
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
Índices X S X S
NDVI 0,5595 0,0835 0,5601 0,0799 -0,0006 -0,11
SAVI 0,3676 0,0795 0,3483 0,0720 0,0194 5,27
MSAVI 0,8592 0,2492 0,7637 0,2015 0,0955 11,11
ARVI 0,5357 0,0914 0,5223 0,0954 0,0134 2,50
SARVI 0,3353 0,0805 0,3015 0,0757 0,0338 10,08
ASVI 0,8190 0,2434 0,7084 0,1961 0,1106 13,51
GEMI 0,7098 0,1017 0,6719 0,0857 0,0378 5,33
SR 3,7091 0,9254 3,6957 0,8473 0,0134 0,36
NDWI -0,5407 0,0720 -0,5584 0,0653 0,0177 -3,27
GNDVI 0,5407 0,0720 0,5584 0,0653 -0,0177 -3,27
GARI 0,4692 0,0792 0,4492 0,0798 0,0200 4,27
SARVI2 0,4148 0,0977 0,3651 0,0824 0,0497 11,98
Tabla 21. Comparación de los índices en la clase CLC 242. Fuente: Autor.
242 Mosaico de pastos y cultivos
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,6333 0,0582 0,6001 0,0792 0,0332 5,24
125
SAVI 0,4263 0,0548 0,3766 0,0724 0,0497 11,65
MSAVI 0,9755 0,1722 0,8194 0,1989 0,1561 16,00
ARVI 0,6127 0,0677 0,5700 0,0928 0,0427 6,98
SARVI 0,3923 0,0608 0,3350 0,0763 0,0573 14,61
ASVI 0,9298 0,1716 0,7677 0,1945 0,1621 17,44
GEMI 0,7598 0,0634 0,6947 0,0845 0,0651 8,56
SR 4,5907 0,8813 4,1754 0,9087 0,4153 9,05
NDWI -0,5992 0,0542 -0,5909 0,0649 -0,0082 1,38
GNDVI 0,5992 0,0542 0,5909 0,0649 0,0082 1,38
GARI 0,5248 0,0718 0,4925 0,0795 0,0323 6,15
SARVI2 0,4700 0,0706 0,3977 0,0840 0,0722 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 3,33
SAVI 0,4185 0,0805 0,3860 0,0787 0,0325 7,78
MSAVI 0,9429 0,2439 0,8366 0,2218 0,1063 11,27
ARVI 0,6162 0,0848 0,5805 0,0933 0,0358 5,80
SARVI 0,3867 0,0841 0,3377 0,0826 0,0490 12,68
ASVI 0,9001 0,2415 0,7761 0,2170 0,1240 13,78
GEMI 0,7418 0,0965 0,6998 0,0942 0,0420 5,66
SR 4,7063 1,0413 4,3822 0,9585 0,3241 6,89
NDWI -0,6134 0,0627 -0,6151 0,0626 0,0016 -0,27
GNDVI 0,6134 0,0627 0,6151 0,0626 -0,0016 -0,27
GARI 0,5390 0,0755 0,4981 0,0790 0,0409 7,58
SARVI2 0,4595 0,0996 0,3974 0,0906 0,0621 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
Índices X S X S
NDVI 0,6181 0,0975 0,6116 0,0807 0,0064 1,04
SAVI 0,4064 0,0915 0,3885 0,0782 0,0179 4,41
MSAVI 0,9267 0,2654 0,8525 0,2208 0,0742 8,01
ARVI 0,5994 0,1058 0,5842 0,0923 0,0152 2,54
126
SARVI 0,3779 0,0938 0,3487 0,0802 0,0292 7,72
ASVI 0,8888 0,2626 0,8017 0,2152 0,0871 9,80
GEMI 0,7337 0,1082 0,7069 0,0933 0,0267 3,64
SR 4,5392 1,2291 4,3475 0,9818 0,1917 4,22
NDWI -0,5958 0,0864 -0,6022 0,0694 0,0063 -1,06
GNDVI 0,5958 0,0864 0,6022 0,0694 -0,0063 -1,06
GARI 0,5293 0,0934 0,5074 0,0787 0,0219 4,14
SARVI2 0,4541 0,1112 0,4127 0,0905 0,0414 9,12
Tabla 24. Comparación de los índices en la clase CLC 245. Fuente: Autor.
245 Mosaico de cultivos y espacios naturales
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,6735 0,0376 0,6554 0,0420 0,0181 2,69
SAVI 0,4395 0,0535 0,4101 0,0529 0,0294 6,69
MSAVI 0,9635 0,1715 0,8693 0,1572 0,0943 9,78
ARVI 0,6594 0,0415 0,6259 0,0506 0,0335 5,09
SARVI 0,4132 0,0547 0,3621 0,0547 0,0511 12,37
ASVI 0,9262 0,1693 0,8065 0,1532 0,1197 12,93
GEMI 0,7526 0,0669 0,7155 0,0662 0,0371 4,93
SR 5,2014 0,6630 4,8808 0,6390 0,3206 6,16
NDWI -0,6431 0,0325 -0,6498 0,0358 0,0067 -1,04
GNDVI 0,6431 0,0325 0,6498 0,0358 -0,0067 -1,04
GARI 0,5801 0,0394 0,5316 0,0460 0,0484 8,35
SARVI2 0,4827 0,0681 0,4164 0,0615 0,0663 13,73
Tabla 25. Comparación de los índices en la clase CLC 311. Fuente: Autor.
311 Bosque denso
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,5567 0,0937 0,5293 0,1014 0,0273 4,91
SAVI 0,3184 0,0958 0,2889 0,0948 0,0295 9,26
MSAVI 0,6595 0,2486 0,5812 0,2253 0,0783 11,88
ARVI 0,5297 0,1046 0,4821 0,1217 0,0476 8,99
SARVI 0,2887 0,0973 0,2442 0,0963 0,0445 15,42
ASVI 0,6251 0,2447 2,7223 0,2190 -2,0971 14,81
GEMI 0,6170 0,1172 0,5797 0,1127 0,0373 6,04
127
SR 3,7174 1,0033 3,4487 0,9505 0,2688 7,23
NDWI -0,5522 0,0781 -0,5457 0,0839 -0,0065 1,17
GNDVI 0,5522 0,0781 0,5457 0,0839 0,0065 1,17
GARI 0,4723 0,0885 0,4220 0,0991 0,0504 10,66
SARVI2 0,3415 0,1137 0,2921 0,1039 0,0494 14,46
Tabla 26. Comparación de los índices en la clase CLC 312. Fuente: Autor.
312 Bosque abierto
Invierno Verano Diferencia Porcentaje
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 -
Tabla 27. Comparación de los índices en la clase CLC 313. Fuente: Autor.
313 Bosque fragmentado
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,6078 0,0878 0,6007 0,0828 0,0071 1,17
SAVI 0,3790 0,0938 0,3595 0,0852 0,0195 5,14
MSAVI 0,8248 0,2620 0,7519 0,2241 0,0728 8,83
ARVI 0,0972 0,5861 0,5647 0,0993 -0,4675 4,49
SARVI 0,3489 0,0957 0,3138 0,0872 0,0351 10,07
ASVI 0,7866 0,2585 0,6966 0,2180 0,0899 11,43
GEMI 0,6913 0,1144 0,6618 0,1021 0,0294 4,26
SR 4,3320 1,0728 4,2005 0,9552 0,1314 3,03
NDWI -0,5934 0,0739 -0,6063 0,0672 0,0129 -2,18
128
GNDVI 0,5934 0,0739 0,6063 0,0672 -0,0129 -2,18
GARI 0,5184 0,0835 0,4891 0,0822 0,0293 5,66
SARVI2 0,4134 0,1134 0,3676 0,0953 0,0458 11,08
Tabla 28. Comparación de los índices en la clase CLC 321. Fuente: Autor.
321 Herbazal
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,5269 0,0880 0,5242 0,0784 0,0027 0,51
SAVI 0,3256 0,0780 0,3112 0,0665 0,0143 4,40
MSAVI 0,7265 0,2236 0,6655 0,1715 0,0610 8,39
ARVI 0,4997 0,0989 0,4850 0,0926 0,0147 2,94
SARVI 0,2938 0,0806 0,2679 0,0686 0,0259 8,82
ASVI 0,6897 0,2194 0,6168 0,1661 0,0729 10,56
GEMI 0,6538 0,1000 0,6287 0,0816 0,0251 3,84
SR 3,3624 0,7542 3,3118 0,6780 0,0506 1,51
NDWI -0,5184 0,0740 -0,5266 0,0636 0,0082 -1,58
GNDVI 0,5184 0,0740 0,5266 0,0636 -0,0082 -1,58
GARI 0,4444 0,0856 0,4222 0,0768 0,0223 5,01
SARVI2 0,3620 0,0971 0,3272 0,0758 0,0348 9,61
Tabla 29. Comparación de los índices en la clase CLC 322. Fuente: Autor.
322 Arbusto
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,5515 0,0809 0,5501 0,0800 0,0014 0,51
SAVI 0,3319 0,0780 0,3231 0,0781 0,0088 4,40
MSAVI 0,7148 0,2246 0,6814 0,2210 0,0334 8,39
ARVI 0,5267 0,0895 0,5162 0,0932 0,0104 2,94
SARVI 0,3018 0,0778 0,2842 0,0783 0,0176 8,82
ASVI 0,6792 0,2181 0,6366 0,2135 0,0426 10,56
GEMI 0,6474 0,0987 0,6317 0,0989 0,0157 3,84
SR 3,5958 0,7762 3,5741 0,7428 0,0217 1,51
NDWI -0,5384 0,0695 -0,5480 0,0664 0,0096 -1,58
GNDVI 0,5384 0,0695 0,5480 0,0664 -0,0096 -1,58
GARI 0,4649 0,0768 0,4508 0,0783 0,0142 5,01
129
SARVI2 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 Vegetación secundaria o en transición
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,6439 0,0884 0,6396 0,0699 0,0043 0,67
SAVI 0,4187 0,0949 0,4019 0,0760 0,0168 4,01
MSAVI 0,9329 0,2670 0,8632 0,2145 0,0697 7,47
ARVI 0,6245 0,0978 0,6069 0,0869 0,0176 2,82
SARVI 0,3879 0,0970 0,3537 0,0814 0,0342 8,81
ASVI 0,8910 0,2635 0,8014 0,2124 0,0896 10,06
GEMI 0,7346 0,1134 0,7103 0,0910 0,0243 3,30
SR 4,9004 1,1838 4,7260 0,9381 0,1744 3,56
NDWI -0,6233 0,0759 -0,6404 0,0537 0,0171 -2,74
GNDVI 0,6233 0,0759 0,6404 0,0537 -0,0171 -2,74
GARI 0,5487 0,0855 0,5212 0,0750 0,0275 5,01
SARVI2 0,4570 0,1139 0,4112 0,0894 0,0458 10,02
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.
130
Tabla 31. Comportamiento del NDVI.
Fuente: Autor.
NDVI
CLC Inv Ver
231 0,5595 0,5601
242 0,6333 0,6001
243 0,6181 0,6151
244 0,6181 0,6116
245 0,6735 0,6554
311 0,5567 0,5293
312 0,5064
313 0,6078 0,6007
321 0,5269 0,5242
322 0,5515 0,5501
323 0,6439 0,6396
Imagen 17. Comportamiento del NDVI. Fuente: Autor.
Tabla 32. Comportamiento del SAVI.
Fuente: Autor.
SAVI
CLC Inv Ver
231 0,3676 0,3483
242 0,4263 0,3766
243 0,4185 0,3860
244 0,4064 0,3885
245 0,4395 0,4101
311 0,3184 0,2889
312 0,2755
313 0,3790 0,3595
321 0,3256 0,3112
322 0,3319 0,3231
323 0,4187 0,4019
Imagen 18. Comportamiento del SAVI. Fuente: Autor.
0,5000
0,5200
0,5400
0,5600
0,5800
0,6000
0,6200
0,6400
0,6600
0,6800
231 242 243 244 245 311 312 313 321 322 323
NDVI
Inv Ver
0,2500
0,2700
0,2900
0,3100
0,3300
0,3500
0,3700
0,3900
0,4100
0,4300
0,4500
231 242 243 244 245 311 312 313 321 322 323
SAVI
Inv Ver
131
Tabla 33. Comportamiento del
MSAVI. Fuente: Autor.
MSAVI
CLC Inv Ver
231 0,8592 0,7637
242 0,9755 0,8194
243 0,9429 0,8366
244 0,9267 0,8525
245 0,9635 0,8693
311 0,6595 0,5812
312 0,5557
313 0,8248 0,7519
321 0,7265 0,6655
322 0,7148 0,6814
323 0,9329 0,8632
Imagen 19. Comportamiento del MSAVI. Fuente: Autor.
Tabla 34. Comportamiento del ARVI.
Fuente: Autor.
ARVI
CLC Inv Ver
231 0,5357 0,5223
242 0,6127 0,5700
243 0,6162 0,5805
244 0,5994 0,5842
245 0,6594 0,6259
311 0,5297 0,4821
312 0,4636
313 0,5647 0,5647
321 0,4997 0,4850
322 0,5267 0,5162
323 0,6245 0,6069
Imagen 20. Comportamiento ARVI. Fuente: Autor.
0,5500
0,6000
0,6500
0,7000
0,7500
0,8000
0,8500
0,9000
0,9500
1,0000
231 242 243 244 245 311 312 313 321 322 323
MSAVI
Inv Ver
0,4600
0,4800
0,5000
0,5200
0,5400
0,5600
0,5800
0,6000
0,6200
0,6400
0,6600
231 242 243 244 245 311 312 313 321 322 323
ARVI
Inv Ver
132
Tabla 35. Comportamiento SARVI. Fuente: Autor.
SARVI
CLC Inv Ver
231 0,3353 0,3015
242 0,3923 0,3350
243 0,3867 0,3377
244 0,3779 0,3487
245 0,4132 0,3621
311 0,2887 0,2442
312 0,2354
313 0,3489 0,3138
321 0,2938 0,2679
322 0,3018 0,2842
323 0,3879 0,3537
Imagen 21. Comportamiento SARVI. Fuente: Autor.
Tabla 36. Comportamiento ASVI.
Fuente: Autor.
ASVI
CLC Inv Ver
231 0,8190 0,7084
242 0,9298 0,7677
243 0,9001 0,7761
244 0,8888 0,8017
245 0,9262 0,8065
311 0,6251 0,5326
312 0,5130
313 0,7866 0,6966
321 0,6897 0,6168
322 0,6792 0,6366
323 0,8910 0,8014
Imagen 22. Comportamiento ASVI. Fuente: Autor.
0,2300
0,2500
0,2700
0,2900
0,3100
0,3300
0,3500
0,3700
0,3900
0,4100
231 242 243 244 245 311 312 313 321 322 323
SARVI
SARVI Inv SARVI Ver
0,5000
0,5500
0,6000
0,6500
0,7000
0,7500
0,8000
0,8500
0,9000
0,9500
231 242 243 244 245 311 312 313 321 322 323
ASVI
Inv Ver
133
Tabla 37. Comportamiento GEMI.
Fuente: Autor.
GEMI
CLC Inv Ver
231 0,7098 0,6719
242 0,7598 0,6947
243 0,7418 0,6998
244 0,7337 0,7069
245 0,7526 0,7155
311 0,6170 0,5797
312 0,5715
313 0,6913 0,6618
321 0,6538 0,6287
322 0,6474 0,6317
323 0,7346 0,7103
Imagen 23. Comportamiento GEMI. Fuente: Autor.
Tabla 38. Comportamiento SR.
Fuente: Autor.
SR
CLC Inv Ver
231 3,7091 3,6957
242 4,5907 4,1754
243 4,7063 4,3822
244 4,5392 4,3475
245 5,2014 4,8808
311 3,7174 3,4487
312 3,1733
313 4,3320 4,2005
321 3,3624 3,3118
322 3,5958 3,5741
323 4,9004 4,7260
Imagen 24. Comportamiento SR. Fuente: Autor.
0,5600
0,5800
0,6000
0,6200
0,6400
0,6600
0,6800
0,7000
0,7200
0,7400
0,7600
231 242 243 244 245 311 312 313 321 322 323
GEMI
Inv Ver
3,0000
3,2000
3,4000
3,6000
3,8000
4,0000
4,2000
4,4000
4,6000
4,8000
5,0000
5,2000
5,4000
231 242 243 244 245 311 312 313 321 322 323
SR
Inv Ver
134
Tabla 39. Comportamiento NDWI.
Fuente: Autor.
NDWI
CLC Inv Ver
231 -0,5407 -0,5584
242 -0,5992 -0,5909
243 -0,6134 -0,6151
244 -0,5958 -0,6022
245 -0,6431 -0,6498
311 -0,5522 -0,5457
312 -0,5150
313 -0,5934 -0,6063
321 -0,5184 -0,5266
322 -0,5384 -0,5480
323 -0,6233 -0,6404
Imagen 25. Comportamiento NDWI. Fuente: Autor.
Tabla 40. Comportamiento GNDVI.
Fuente: Autor.
GNDVI
CLC Inv Ver
231 0,5407 0,5584
242 0,5992 0,5909
243 0,6134 0,6151
244 0,5958 0,6022
245 0,6431 0,6498
311 0,5522 0,5457
312 0,5150
313 0,5934 0,6063
321 0,5184 0,5266
322 0,5384 0,5480
323 0,6233 0,6404
Imagen 26. Comportamiento GNDVI. Fuente: Autor.
-0,6700
-0,6500
-0,6300
-0,6100
-0,5900
-0,5700
-0,5500
-0,5300
-0,5100
-0,4900
231 242 243 244 245 311 312 313 321 322 323
NDWI
Inv Ver
0,5000
0,5200
0,5400
0,5600
0,5800
0,6000
0,6200
0,6400
0,6600
231 242 243 244 245 311 312 313 321 322 323
GNDVI
Inv Ver
135
Tabla 41. Comportamiento GARI.
Fuente: Autor.
GARI
CLC Inv Ver
231 0,4692 0,4492
242 0,5248 0,4925
243 0,5390 0,4981
244 0,5293 0,5074
245 0,5801 0,5316
311 0,4723 0,4220
312 0,4070
313 0,5184 0,4891
321 0,4444 0,4222
322 0,4649 0,4508
323 0,5487 0,5212
Imagen 27. Comportamiento GARI. Fuente: Autor.
Tabla 42. Comportamiento SARVI2.
Fuente: Autor.
SARVI2
CLC Inv Ver
231 0,4148 0,3651
242 0,4700 0,3977
243 0,4595 0,3974
244 0,4541 0,4127
245 0,4827 0,4164
311 0,3415 0,2921
312 0,2842
313 0,4134 0,3676
321 0,3620 0,3272
322 0,3630 0,3401
323 0,4570 0,4112
Imagen 28. Comportamiento SARVI2. Fuente: Autor.
Comparación de la segmentación de los Biomas en función de la información CLC.
Tabla 43. Comparación Biomas - CLC vs. NDVI. Fuente: Autor.
NDVI
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
0,4000
0,4200
0,4400
0,4600
0,4800
0,5000
0,5200
0,5400
0,5600
0,5800
231 242 243 244 245 311 312 313 321 322 323
GARI
Inv Ver
0,2700
0,2900
0,3100
0,3300
0,3500
0,3700
0,3900
0,4100
0,4300
0,4500
0,4700
0,4900
231 242 243 244 245 311 312 313 321 322 323
SARVI2
Inv Ver
136
231 0,5721 0,5545 0,5535 0,5456 0,6460 0,6214
242 0,6003 0,6134 0,6253 0,5915
243 0,5459 0,5948 0,6328 0,6239 0,6447 0,6192
244 0,5568 0,5966 0,6343 0,6250 0,6752 0,6722
245 0,6701 0,6464 0,6751 0,6596
311 0,4990 0,4986 0,5535 0,5360 0,5998 0,5695
312 0,5064
313 0,5543 0,5675 0,5928 0,6106 0,6306 0,6127
321 0,5242
322 0,5508 0,5508 0,5571 0,5408
323 0,5467 0,6537 0,5887 0,6437 0,6611 0,6357
Imagen 29. Comparación Biomas - CLC vs. NDVI. Fuente: Autor.
Tabla 44. Comparación Biomas - CLC vs. SAVI. Fuente: Autor.
SAVI
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 0,3386 0,3444 0,3419 0,3356 0,4285 0,3953
242 0,3717 0,3983 0,4161 0,3801
243 0,3657 0,3697 0,4182 0,3949 0,4227 0,3883
244 0,3698 0,3786 0,4152 0,4103 0,4407 0,4247
245 0,4339 0,3993 0,4421 0,4151
311 0,2717 0,2658 0,3166 0,2932 0,3520 0,3205
312 0,2753
0,4800
0,5100
0,5400
0,5700
0,6000
0,6300
0,6600
0,6900
231 242 243 244 245 311 312 313 321 322 323
NDVI
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
137
313 0,3349 0,3294 0,3730 0,3688 0,3941 0,3701
321 0,3112
322 0,3320 0,3229 0,3310 0,3254
323 0,3600 0,4328 0,3723 0,4031 0,4318 0,3959
Imagen 30. Comparación Biomas - CLC vs. SAVI. Fuente: Autor.
Tabla 45. Comparación Biomas - CLC vs. MSAVI. Fuente: Autor.
MSAVI
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 0,7175 0,7560 0,7551 0,7361 0,9674 0,8614
242 0,7995 0,8881 0,9430 0,8449
243 0,8879 0,8046 0,9491 0,8600 0,9441 0,8377
244 0,8790 0,8354 0,9362 0,9275 0,9718 0,9046
245 0,9433 0,8373 0,9728 0,8838
311 0,5586 0,5330 0,6573 0,5892 0,7295 0,6489
312 0,5550
313 0,7275 0,6809 0,8255 0,7737 0,8503 0,7771
321 0,6654
322 0,7155 0,6791 0,7087 0,7095
323 0,8709 0,9727 0,8352 0,8606 0,9573 0,8447
0,2500
0,2700
0,2900
0,3100
0,3300
0,3500
0,3700
0,3900
0,4100
0,4300
0,4500
231 242 243 244 245 311 312 313 321 322 323
SAVI
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
138
Imagen 31. Comparación Biomas - CLC vs. MSAVI. Fuente: Autor.
Tabla 46. Comparación Biomas - CLC vs. ARVI. Fuente: Autor.
ARVI
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 0,5468 0,5177 0,5267 0,5047 0,6251 0,5821
242 0,5745 0,5799 0,6038 0,5489
243 0,5264 0,5680 0,6154 0,5925 0,6235 0,5793
244 0,5345 0,5693 0,6195 0,5977 0,6596 0,6442
245 0,6565 0,6170 0,6608 0,6300
311 0,4704 0,4582 0,5273 0,4860 0,5728 0,5158
312 0,4640
313 0,5325 0,5382 0,5731 0,5773 0,6077 0,5703
321 0,4849
322 0,5262 0,5173 0,5309 0,5023
323 0,5326 0,6351 0,5673 0,6154 0,6418 0,5990
0,5000
0,5500
0,6000
0,6500
0,7000
0,7500
0,8000
0,8500
0,9000
0,9500
1,0000
231 242 243 244 245 311 312 313 321 322 323
MSAVI
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
139
Imagen 32. Comparación Biomas - CLC vs. ARVI. Fuente: Autor.
Tabla 47. Comparación Biomas - CLC vs. SARVI. Fuente: Autor.
SARVI
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 0,3086 0,2993 0,3079 0,2874 0,3942 0,3396
242 0,3363 0,3479 0,3816 0,3226
243 0,3387 0,3333 0,3903 0,3497 0,3886 0,3328
244 0,3398 0,3408 0,3909 0,3687 0,4132 0,3771
245 0,4087 0,3534 0,4153 0,3661
311 0,2446 0,2297 0,2881 0,2463 0,3187 0,2649
312 0,2354
313 0,3088 0,2950 0,3467 0,3253 0,3609 0,3157
321 0,2678
322 0,3021 0,2844 0,2995 0,2824
323 0,3416 0,4003 0,3451 0,3592 0,3995 0,3435
0,4500
0,4800
0,5100
0,5400
0,5700
0,6000
0,6300
0,6600
231 242 243 244 245 311 312 313 321 322 323
ARVI
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
140
Imagen 33. Comparación Biomas - CLC vs. SARVI. Fuente: Autor.
Tabla 48. Comparación Biomas - CLC vs. ASVI. Fuente: Autor.
ASVI
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 0,6816 0,7030 0,7143 0,6803 0,9207 0,7912
242 0,7554 0,8240 0,8973 0,7747
243 0,8540 0,7593 0,9113 0,8022 0,8982 0,7687
244 0,8416 0,7879 0,9031 0,8730 0,9328 0,8408
245 0,9077 0,7782 0,9347 0,8194
311 0,5295 0,4949 0,6246 0,5383 0,6894 0,5866
312 0,5124
313 0,6965 0,6406 0,7922 0,7202 0,8073 0,7112
321 0,6167
322 0,6801 0,6347 0,6714 0,6600
323 0,8475 0,9276 0,8007 0,8036 0,9128 0,7783
0,2200
0,2400
0,2600
0,2800
0,3000
0,3200
0,3400
0,3600
0,3800
0,4000
0,4200
231 242 243 244 245 311 312 313 321 322 323
SARVI
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
141
Imagen 34. Comparación Biomas - CLC vs. ASVI. Fuente: Autor.
Tabla 49. Comparación Biomas - CLC vs. GEMI. Fuente: Autor.
GEMI
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 0,6428 0,6692 0,6649 0,6590 0,7513 0,7115
242 0,6852 0,7260 0,7479 0,7079
243 0,7160 0,6853 0,7436 0,7089 0,7429 0,7012
244 0,7150 0,7000 0,7372 0,7360 0,7513 0,7284
245 0,7458 0,7031 0,7557 0,7212
311 0,5702 0,5572 0,6160 0,5831 0,6489 0,6120
312 0,5713
313 0,6509 0,6310 0,6909 0,6717 0,7022 0,6724
321 0,6287
322 0,6482 0,6310 0,6410 0,6412
323 0,7017 0,7543 0,6897 0,7109 0,7461 0,7023
0,4500
0,5000
0,5500
0,6000
0,6500
0,7000
0,7500
0,8000
0,8500
0,9000
0,9500
231 242 243 244 245 311 312 313 321 322 323
ASVI
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
142
Imagen 35. Comparación Biomas - CLC vs. GEMI. Fuente: Autor.
Tabla 50. Comparación Biomas - CLC vs. SR. Fuente: Autor.
SR
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 3,9095 3,6209 3,5897 3,5121 4,8672 4,5047
242 4,1637 4,3213 4,4598 4,1269
243 3,5490 4,0957 4,6570 4,5070 4,8171 4,4410
244 3,6893 4,1336 4,7219 4,5292 5,3349 5,2137
245 5,1300 4,7332 5,2340 4,9482
311 3,1131 3,1468 3,6744 3,5144 4,1891 3,8441
312 3,1720
313 3,6569 3,7687 4,1694 4,3231 4,6050 4,3624
321 3,3111
322 3,5912 3,5804 3,6340 3,4943
323 3,6820 4,8974 4,2168 4,7401 5,1134 4,6905
0,5500
0,5800
0,6100
0,6400
0,6700
0,7000
0,7300
0,7600
231 242 243 244 245 311 312 313 321 322 323
GEMI
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
143
Imagen 36. Comparación Biomas - CLC vs. SR. Fuente: Autor.
Tabla 51. Comparación Biomas - CLC vs. NDWI. Fuente: Autor.
NDWI
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 -0,5639 -0,5508 -0,5370 -0,5474 -0,6215 -0,6275
242 -0,5885 -0,6021 -0,5941 -0,5926
243 -0,5294 -0,5844 -0,6090 -0,6200 -0,6218 -0,6262
244 -0,5388 -0,5853 -0,6102 -0,6127 -0,6490 -0,6715
245 -0,6371 -0,6352 -0,6458 -0,6564
311 -0,5012 -0,5098 -0,5479 -0,4602 -0,5924 -0,5176
312 -0,5147
313 -0,5451 -0,5665 -0,5773 -0,6105 -0,6154 -0,6271
321 -0,5265
322 -0,5375 -0,5485 -0,5455 -0,5417
323 -0,5290 -0,6378 -0,5722 -0,6367 -0,6394 -0,6420
3,0000
3,5000
4,0000
4,5000
5,0000
5,5000
231 242 243 244 245 311 312 313 321 322 323
SR
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
144
Imagen 37. Comparación Biomas - CLC vs. NDWI. Fuente: Autor.
Tabla 52. Comparación Biomas - CLC vs. GNDVI. Fuente: Autor.
GNDVI
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 0,5639 0,5508 0,5370 0,5474 0,6215 0,6275
242 0,5885 0,6021 0,5941 0,5926
243 0,5294 0,5844 0,6090 0,6200 0,6218 0,6262
244 0,5388 0,5853 0,6102 0,6127 0,6490 0,6715
245 0,6371 0,6352 0,6458 0,6564
311 0,5012 0,5098 0,5479 0,5521 0,5924 0,5954
312 0,5147
313 0,5451 0,5665 0,5773 0,6105 0,6154 0,6271
321 0,5265
322 0,5375 0,5485 0,5455 0,5417
323 0,5290 0,6378 0,5722 0,6367 0,6394 0,6420
-0,6800
-0,6300
-0,5800
-0,5300
-0,4800
231 242 243 244 245 311 312 313 321 322 323
NDWI
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
145
Imagen 38. Comparación Biomas - CLC vs. GNDVI. Fuente: Autor.
Tabla 53. Comparación Biomas - CLC vs. GARI. Fuente: Autor.
GARI
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 0,4857 0,4462 0,4573 0,4340 0,5419 0,4944
242 0,5022 0,4883 0,5177 0,4624
243 0,4710 0,4966 0,5440 0,5103 0,5418 0,4918
244 0,4720 0,4961 0,5526 0,5160 0,5819 0,5533
245 0,5766 0,5218 0,5817 0,5361
311 0,4272 0,4094 0,4715 0,4220 0,5037 0,4434
312 0,4074
313 0,4799 0,4771 0,5126 0,4995 0,5321 0,4878
321 0,4221
322 0,4647 0,4520 0,4668 0,4360
323 0,4871 0,5611 0,5048 0,5287 0,5614 0,5115
0,4800
0,5000
0,5200
0,5400
0,5600
0,5800
0,6000
0,6200
0,6400
0,6600
0,6800
231 242 243 244 245 311 312 313 321 322 323
GNDVI
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
146
Imagen 39. Comparación Biomas - CLC vs. GARI. Fuente: Autor.
Tabla 54. Comparación Biomas - CLC vs. SARVI2. Fuente: Autor.
SARVI2
OASM OMSM OBSMM
CLC OASM
Inv OASM
Ver OMSM
Inv OMSM
Ver OBSMM
Inv OBSMM
Ver
231 0,3658 0,3637 0,3732 0,3507 0,4662 0,3988
242 0,3980 0,4134 0,4569 0,3873
243 0,4253 0,3958 0,4664 0,4103 0,4589 0,3907
244 0,4238 0,4067 0,4663 0,4378 0,4819 0,4310
245 0,4770 0,4071 0,4853 0,4207
311 0,2942 0,2760 0,3417 0,2949 0,3726 0,3147
312 0,2841
313 0,3729 0,3482 0,4155 0,3799 0,4229 0,3691
321 0,3271
322 0,3636 0,3399 0,3579 0,3428
323 0,4294 0,4715 0,4144 0,4164 0,4676 0,3988
0,4000
0,4200
0,4400
0,4600
0,4800
0,5000
0,5200
0,5400
0,5600
0,5800
0,6000
231 242 243 244 245 311 312 313 321 322 323
GARI
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
147
Imagen 40. Comparación Biomas - CLC vs. SARVI2. Fuente: Autor.
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 cambio 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
231 242 243 244 245 311 312 313 321 322 323
NDVI 3,07 -8,95 -7,16 0,08 -2,38 0,00 -19,58
SAVI -1,71 -1,07 -2,38 2,16 1,63 2,74 -20,20
MSAVI -5,37 9,39 4,96 4,58 6,40 5,08 -11,69
ARVI 5,31 -7,90 -6,50 2,60 -1,07 1,68 -19,25
SARVI 3,02 1,61 -0,31 6,09 4,48 5,85 -17,16
ASVI -3,14 11,09 6,38 6,53 8,02 6,67 -9,44
GEMI -4,10 4,29 2,09 2,28 3,05 2,66 -7,49
SR 7,38 -15,41 -12,04 -1,08 -3,06 0,30 -33,01
0,26000,28000,30000,32000,34000,36000,38000,40000,42000,44000,46000,48000,5000
231 242 243 244 245 311 312 313 321 322 323
SARVI2
OASM Inv OASM Ver OMSM Inv
OMSM Ver OBSMM Inv OBSMM Ver
148
NDWI 2,31 -10,40 -8,64 -1,72 -3,94 -2,04 -20,57
GNDVI 2,31 -10,40 -8,64 -1,72 -3,94 -2,04 -20,57
GARI 8,13 -5,43 -5,11 4,16 0,58 2,74 -15,19
SARVI2 0,60 6,95 4,04 6,19 6,62 6,51 -9,81
Tabla 56. Porcentaje Cambio Invierno - Verano OMSM
Porcentaje Cambio Invierno - Verano OMSM
231 242 243 244 245 311 312 313 321 322 323
NDVI -12,27 2,15 -5,97 1,58 -2,88 -3,37 -7,99
SAVI -15,63 7,16 -2,27 4,34 -1,24 0,77 -6,36
MSAVI -14,08 11,74 3,37 6,30 1,28 5,86 -1,13
ARVI -10,52 5,86 -4,00 4,04 2,19 0,48 -5,58
SARVI -10,29 14,74 3,53 10,41 8,05 8,93 0,47
ASVI -10,76 15,65 6,90 9,73 6,08 10,22 2,80
GEMI -7,02 5,70 1,21 3,29 0,64 2,68 -1,84
SR -25,49 4,64 -10,42 3,54 -4,62 -4,63 -11,23
NDWI -16,85 -2,81 -10,05 -3,03 -8,67 -8,62 -12,20
GNDVI -16,85 -2,81 -10,05 -3,03 -8,67 -8,62 -12,20
GARI -8,12 9,59 -0,13 7,02 5,97 4,82 -1,32
SARVI2 -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
231 242 243 244 245 311 312 313 321 322 323
NDVI 3,81 5,41 3,95 0,44 2,30 5,06 2,83 3,84
SAVI 7,75 8,67 8,13 3,64 6,11 8,94 6,10 8,31
MSAVI 10,96 10,41 11,27 6,91 9,14 11,05 8,60 11,77
ARVI 6,88 9,09 7,08 2,32 4,67 9,95 6,15 6,67
SARVI 13,85 15,45 14,36 8,74 11,84 16,89 12,53 14,02
ASVI 14,07 13,66 14,43 9,87 12,34 14,91 11,91 14,74
GEMI 5,29 5,34 5,62 3,06 4,57 5,69 4,25 5,86
SR 7,45 7,46 7,81 2,27 5,46 8,24 5,27 8,27
NDWI -0,96 0,27 -0,70 -3,46 -1,65 -0,50 -1,90 -0,41
GNDVI -0,96 0,27 -0,70 -3,46 -1,65 -0,50 -1,90 -0,41
GARI 8,77 10,68 9,22 4,91 7,83 11,97 8,32 8,89
SARVI2 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.
149
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 coeficiente 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.
150
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)
151
9. CONCLUSIONES Y RECOMENDACIONES
Los índices espectrales son herramientas útiles para determinar algunas variables f ísicas
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 índices 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.
152
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.
153
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-para-
Colombia-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.
154
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 cover, and leaf area index. Remote Sensing of Environment.
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). Madrid-
España: 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/10.1890/0012-
9658(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.
155
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
156
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
157
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 Simposio 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 Desarrollo
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
158
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.
159
(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-s2.0-2942618334&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
160
time-series data in Spain, USA and Israel. International Journal of Wildland Fire, 19(1),
75–93. http://doi.org/10.1071/WF08078
Walter, H. (1977). Zonas de vegetación y clima. Breve exposición desde el punto de vista
causal y global. Barcelona: Ed. Omega, S. A.
Wang, J., Sammis, T. W., Gutschick, V. P., Gebremichael, M., Dennis, S. O., & Harrison, R. E. (2010). Review of Satellite Remote Sensing Use in Forest Health Studies. The Open
Geography Journal, 3(1), 28–42. http://doi.org/10.2174/1874923201003010028
Wang, L. T., & Deliberty, T. L. (2005). Landsat Atmospheric Correction : The Good , the Bad , and the Ugly. ESRI International User Conference, 1–15.
Wang, Q., Adiku, S., Tenhunen, J., & Granier, A. (2005). On the relationship of NDVI with leaf area index in a deciduous forest site. Remote Sensing of Environment, 94(2), 244–
255. http://doi.org/10.1016/j.rse.2004.10.006
Wilkes, P. T. V. (2016, January 13). Assessment of forest canopy vertical structure with multi-scale remote sensing: from the plot to the large area. University of Twente,
Enschede, The Netherlands. Retrieved from http://www.itc.nl/library/papers_2016/phd/wilkes.pdf
Xu, C., Li, Y., Hu, J., Yang, X., Sheng, S., & Liu, M. (2012). Evaluating the difference between the normalized difference vegetation 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/s10661-011-
2039-1
Xu, D., & Guo, X. (2015). Some Insights on Grassland Health Assessment Based on Remote Sensing. Sensors, 15(2), 3070–3089. http://doi.org/10.3390/s150203070
Yang, X., & Guo, X. (2014). Quantifying responses of spectral vegetation indices to dead materials in mixed grasslands. Remote Sensing, 6(5), 4289–4304.
http://doi.org/10.3390/rs6054289
Yu, G., Yu, Q., Hu, L., Zhang, S., Fu, T., Zhou, X., … Jia, H. (2013). Ecosystem health assessment based on analysis of a land use database. Applied Geography, 44, 154–
164. http://doi.org/10.1016/j.apgeog.2013.07.010
Zhang, Y. M., Chen, J., Wang, L., Wang, X. Q., & Gu, Z. H. (2007). The spatial distribution patterns of biological soil crusts in the Gurbantunggut Desert, Northern Xinjiang, China. Journal of Arid Environments, 68(4), 599–610.
http://doi.org/10.1016/j.jaridenv.2006.06.012
Zhongming, W., Lees, B. G., Feng, J., Wanning, L., & Haijing, S. (2010). Stratified vegetation cover index: A new way to assess vegetation impact on soil erosion. CATENA, 83(1),
87–93. http://doi.org/10.1016/j.catena.2010.07.006
Zhou, Y., Zhang, L., Xiao, J., Chen, S., Kato, T., & Zhou, G. (2014). A Comparison of Satellite-Derived Vegetation Indices for Approximating Gross Primary Productivity of Grasslands. Rangeland Ecology & Management, 67(1), 9–18.
http://doi.org/10.2111/REM-D-13-00059.1
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/journal.pone.0102560