PASANTÍA ANÁLISIS COMPARATIVO DE ÍNDICES DE...

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 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


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.


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

http://doi.org/10.1117/12.977439

http://doi.org/10.1117/12.977439

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.


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.


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.


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


479.


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


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.


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.


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.


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.


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.


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


255.


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

http://doi.org/10.1111/j.1472-4642.2007.00372.x

http://doi.org/10.1111/j.1472-4642.2007.00372.x

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


2377–2400.


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.


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.


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.


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.


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.


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


266.


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

http://www.un-spider.org/

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


482.


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.


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.


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.


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

http://doi.org/10.1016/S0168-1923(98)00053-7

http://doi.org/10.1016/S0168-1923(98)00053-7

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).

http://sig.anla.gov.co:8083/

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


242 Mosaico de pastos y cultivos


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


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


244 Mosaico de pastos con espacios naturales


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


245 Mosaico de cultivos y espacios naturales


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


311 Bosque denso


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


312 Bosque abierto


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 -


313 Bosque fragmentado


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


321 Herbazal


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


322 Arbusto


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


323 Vegetación secundaria o en transición


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



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



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



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



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



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



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



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



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



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



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



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

PASANTÍA ANÁLISIS COMPARATIVO DE ÍNDICES DE...

Documents

Transcript of PASANTÍA ANÁLISIS COMPARATIVO DE ÍNDICES DE...