Utilidad de imágenes Landsat 7 ETM+ de diferentes fechas para la estimación de biomasa aérea en bosques subtropicales secos de Argentina

Néstor I. Gasparri , María G. Parmuchi , Julieta Bono , Haydée Karszenbaum , b Celina L. Montenegro Laboratorio de Investigaciones Ecológicas de las Yungas (LIEY) – CONICET. Universidad Nacional de Tucumán (UNT). C.C. 34 CP 4107, Yerba Buena, Tucumán, Argentina ignacio.gasparri@gmail.com (b) Unidad de Manejo del Sistema de Evaluación Forestal (UMSEF). Dirección de Bosques. Secretaría de Ambiente y Desarrollo Sustentable (SAyDS). San Martín 451, C1004AAI, Buenos Aires, Argentina (c) Instituto de Astronomía y Física del Espacio (IAFE-CONICET). Ciudad Universitaria, C1428EGA, Buenos Aires, Argentina
(a) a b b c

RESUMEN
La biomasa es fundamental para realizar estimaciones de carbono en bosques y conocer su estado de conservación. En este trabajo, se realiza un estudio multitemporal de imágenes satelitales para evaluar su uso en la estimación de biomasa del bosque seco del Parque Chaqueño de Argentina. Se estimó biomasa aérea a partir de datos de campo que se correlacionó con información espectral. El principio de la estación seca resultó ser la mejor época para vincular datos satelitales con estructura del bosque, ya que los pastos y arbustos se ven más afectados por el déficit hídrico que los árboles. Palabras claves: biomasa, bosque, Parque Chaqueño.

ABSTRACT
Above-ground biomass is a key parameter in the estimates of the carbon stock in forests and to know about their status of conservation. In this work, a multi-temporal analysis of satellite images is done in order to assess its use in estimating above-ground biomass in dry forests of the Parque Chaqueño region in Argentina. Biomass was estimated from field data and was correlated to spectral data. The beginning of the dry season resulted the best period to relate remote sensing data to forest structure since grasses and shrubs are more affected by water deficit than trees. Keyboards: biomass, forest, Parque Chaqueño

Introducción
El cambio del uso de la tierra es un proceso relevante con consecuencias locales, regionales y globales (Foley et al., 2005). Principalmente, la deforestación es uno de los cambios con mayor impacto sobre el ciclo del carbono global. Sin embargo, otro proceso importante es la degradación, la cual no representa un reemplazo total del bosque pero modifica la estructura y función del mismo como

resultado especialmente de la extracción forestal selectiva, pastoreo e incendios (Nepstad et al., 2003; Asner et al., 2005; Hougthon, 2005; Foley et al., 2007). La biomasa aérea del bosque es una variable clave para disminuir la incertidumbre en las estimaciones de las emisiones de carbono por deforestación, además de ser un indicador útil para determinar el estado de conservación de los bosques y su valor

Por el contrario. Chaco. al. 2004). Lu et al.000 ha/año entre los años 1998 y 2002 en el Parque Chaqueño (UMSEF. 1999). en bosques húmedos tropicales esta herramienta ha dado resultados limitados al relacionar datos satelitales con biomasa. Aspidosperma quebracho blanco y Bulnesia sarmientoi asociadas con otras especies como Ziziphus mistol. Las especies más comunes dentro del estrato superior son perennes (B.. 2005. 2001. Zak et al. Estos bosques presentan una variación importante en área basal desde 1 a 2 15 m /ha (Primer Inventario Nacional de Bosques Nativos de Argentina. Foody et. 2002.000 km2 incluyendo la mayor parte de la zona conocida como El Impenetrable.. 2003). y C. 2003. índice de área foliar o edad de los bosques secundarios (Nelson et. La precipitación anual es baja (entre 400 y 900 mm) con un marcado patrón de estacionalidad de tipo monzónica y las lluvias ocurren de noviembre a marzo (Minetti. Caesalpinia paraguayensis y Prosopis spp. 2005. la deforestación ha sido de aproximadamente 200. éstas no han podido ser extrapoladas en el tiempo y el espacio (Foody et al. Bolivia. Giménez y Moglia. 2005). 1998. 2003). 2004). El sotobosque está dominado principalmente por . 2003). 1978. Bermejito y Salado).económico. al. 1). 2001. incluyendo diferentes estados fenológicos. El área presenta un relieve plano con suelos originados a partir de sedimentos eólicos y fluviales provenientes de los ríos más importantes de la región (Teuco. En este trabajo. 2004).. La medición de la biomasa en el terreno implica procedimientos de muestreo destructivo sumamente costosos y muchas veces impracticables.. Los bosques secos tropicales y subtropicales forman parte de los ecosistemas más amenazados del mundo (Hoekstra et al. se realiza un estudio multitemporal de imágenes satelitales a fines de evaluar su utilidad para la estimación de biomasa aérea del bosque seco del Parque Chaqueño de Argentina. 1976). el cual es la mayor área de bosque continuo del país.5º S . sarmientoi y A. lorentzii).5º O)... siendo la temperatura del mes más caluroso (Enero) igual a 28ºC y la temperatura del mes más frío (Julio) de 16ºC. quebracho-blanco) y semideciduas (S. mistol. Esta área está dominada por bosques xerófilos y abarca aproximadamente 63. Cohen et al. Dong et. paraguarensis (Hueck. Salta y Formosa (Fig. Materiales y Métodos Área de estudio. Boyd et. 2000. Prosopis spp. particularmente en las provincias de Santiago del Estero. Paraguay y una pequeña porción de Brasil. mientras que en el estrato inferior son deciduas como Z. Grau et al.5º O – 63.. Steininger. Estos bosques están sufriendo una rápida reducción de superficie como consecuencia del avance de la frontera agrícola (Klink y Machado.. Es por ello que la utilización de imágenes satelitales se presenta como una herramienta adecuada para mejorar las estimaciones de reservas de carbono y elaborar mapas de biomasa. por lo cual comúnmente la misma se estima a partir de muestreos de inventarios forestales aplicando fórmulas de volumen. (Cabrera. las emisiones de CO2 resultantes del proceso de deforestación representarían la mayor fuente de emisiones del país (Gasparri y Manghi.. 2007). La aplicación de imágenes satelitales para la estimación de biomasa presentó buenos resultados en bosques de zonas templadas (Lawrence y Ripple. Además.. La vegetación nativa presente en el área de estudio está caracterizada por un bosque subtropical seco dominado por Schinopsis lorentzii. los estudios multitemporales permiten mejorar la capacidad de monitorear variables biofísicas respecto al uso de una única fecha (Dymond et al. 2005). Esta área corresponde a una de las zonas más calurosas de América del Sur presentando una tempertura máxima absoluta mayor a 48ºC. Esta zona presenta altas temperaturas con una media anual de 22-23ºC. 2000.27º S y entre 62. diseño de muestreo y mediciones de campo El área de estudio está localizada en la región forestal Parque Chaqueño (subregión Semiárida) en el noroeste de Argentina (entre 23. En Sudamérica se encuentra la mayor superficie de estos ecosistemas principalmente en el Cerrado en Brasil y el Parque Chaqueño en Argentina.. la biomasa es variable en el espacio y muchas veces responde no sólo a factores climáticos y edáficos sino también a patrones de uso humano.. Dado que las imágenes satelitales adquiridas en diferentes fechas permiten observar la respuesta espectral de la superficie terrestre a lo largo del tiempo. A partir de estimaciones preliminares obtenidas de datos de inventario forestal. En los casos donde se establecieron buenas relaciones. Volcani et al. al. al. En Argentina. 2004). debido principalmente al cultivo de soja.

Dicho índice combina la banda del rojo (RED) y la del infrarrojo cercano (NIR) de la siguiente manera: NDVI = (NIR – RED) / (NIR + RED). R: row. A fines de evaluar esta capacidad. Datum WGS 84). Debido a la complejidad de los ecosistemas presentes en la región Parque Chaqueño. 1) de diferentes fechas: 28 Julio 2001. los cuales fueron georreferenciados e incorporados a un sistema de información geográfica (SIG) (Fig. 9 Marzo 2002. P: path. El tamaño de cada UM fue de 800 x 10 m donde se determinó la especie y se midieron el diámetro a la altura del pecho (DAP) y la altura de todos los árboles con DAP mayor a 10 cm. 1). la producción de carbón y la extracción de leña para el consumo local son actividades importantes en la zona.a b Datos satelitales y parámetros biofísicos su relación con SALTA FORMOSA P229R7 7 c CHACO P229R 78 SANTIAGO DEL ESTERO Fig. el análisis temporal de datos espectrales permite mejorar notablemente la capacidad para discriminar la vegetación en la región (Cohen et al. En este trabajo. En una segunda etapa. Los datos de campo utilizados en este trabajo para estimar la biomasa aérea fueron adquiridos en el año 2000 para la realización del Primer Inventario Nacional de Bosques Nativos de Argentina. El NDVI es un índice comúnmente utilizado que refleja las características de la vegetación tales como biomasa aérea. 2003). A su vez.NDVI) e Índice de Vegetación Ajustado al Suelo (Soil-Adjusted Vegetation Index . se desarrollan en esta área actividades agrícolas incipientes que están restringidas por el régimen de precipitación. El sistema de proyección utilizado fue el sistema oficial adoptado por Argentina (Gauss Krüger. El SAVI fue propuesto por Huete (1988) para minimizar la variación espectral debida al aporte del tipo de suelo presente debajo de la vegetación. utilizando como método de remuestreo el del vecino más cercano. Para cada UM se estimó el volumen por especie utilizando fórmulas estándares de volumen desarrolladas por Sevola (1975). En particular. Este grupo de imágenes incluye diferentes estados fenológicos de la vegetación. El preprocesamiento de las imágenes comprendió la georreferenciación y el cálculo de reflectancia en superficie. utilizando datos de densidad de madera (peso seco por unidad de volumen) provenientes del Instituto Nacional de Tecnología Industrial (INTI-CITEMA. 1989). biomasa verde y contenido de clorofila (Tucker. La principal actividad económica es la cría de ganado desarrollada frecuentemente dentro del bosque. se calculó la reflectancia en superficie para todas las imágenes utilizando la corrección atmosférica de Rayleigh (Kaufman. 2003). Este índice se calcula como SAVI = (1 + L) * (NIR – RED) / (NIR + RED + L) donde L = 0.. 1. 12 Mayo 2002. se adquirieron un grupo de imágenes satelitales Landsat 7 ETM+ (path/row: 229/77 y 229/78) (Fig. 1979). se calcularon los siguientes índices de vegetación: Índice de Vegetación Normalizado (Normalized Difference Vegetation Index . se estimó la biomasa aérea para cada una de las muestras siguiendo la metodología propuesta por Brown (1997). las imágenes correspondientes a la fecha del mes de Julio fueron georreferenciadas utilizando parámetros orbitales y puntos de referencia en el terreno geolocalizados con un Sistema de Posicionamiento Global (GPS) y dichas imágenes georreferenciadas fueron utilizadas como referencia para corregistrar el resto de las imágenes.5 a fines de reducir el efecto del suelo en una zona con . Posteriormente. por suelo desnudo. 24 Febrero 2003 y 13 Abril 2003. Luego. En una primera etapa. se identificaron 50 puntos de control para cada imagen y se aplicó una transformación polinómica de primer orden con un error cuadrático medio menor al píxel (30 m).SAVI). se seleccionaron 15 unidades de muestreo (UM) de un grupo de datos provenientes de un diseño de muestreo sistemático (grilla de 50 x 50 km). Para llevar a cabo la corregistración. (a) Área de estudio (Imágenes Landsat en punteado blanco) y unidades de muestreo. arbustos o pastos y en algunos casos. (b) Argentina en Sudamérica y (c) Área de estudio en el Parque Chaqueño en Argentina.

2).0 103.4 113.1 132.6 86.6 y 135 Tn/ha y un promedio de 102 Tn/ha (Tabla 1).3 92.3 99. 12 y 2 no siguen este comportamiento. En invierno (Julio) existe un cambio en la relación entre dichas bandas mientras que el máximo relativo para la banda 2 desaparece. . La fecha del 12 Mayo 2002 presenta más correlaciones significativas que las demás fechas (bandas 2. las firmas espectrales de las muestras correspondientes a las bandas ETM para cada fecha analizada evidencian el patrón común encontrado para los bosques secos en la región Parque Chaqueño (Fig. los cuales son importantes para relacionar variables biofísicas medidas a campo con datos provenientes de sensores remotos (Cohen et al.. con bajos valores para las bandas 1 (azul) y 3 (rojo) y un máximo relativo en la banda 2 (verde) en verano (Febrero y Marzo) y otoño (Mayo y Abril) de acuerdo al comportamiento de absorción y reflexión de la clorofila.6 92. El análisis de las correlaciones obtenidas permitirá identificar la mejor fecha para estimar biomasa aérea en la zona de estudio a partir del desarrollo de modelos empíricos. El NDVI muestra una tendencia a aumentar a medida que los valores de biomasa aumentan para la fecha de Mayo 2002. se realizó una correlación de los datos de biomasa aérea con los valores espectrales de las diferentes bandas y con los valores de los índices de vegetación calculados para todas las fechas analizadas.2 125. Por último. 2003). 3.17 – 0.5. Todos los procedimientos fueron realizados utilizando los programas ArcView GIS 3.2a y ERDAS Imagine 8.0 79.4 103. los coeficientes de correlación (r) entre los valores de biomasa estimados a partir de mediciones en el campo y los valores espectrales e índices de vegetación se observan en la tabla 2. Biomasa estimada de las unidades de muestreo Unidad de muestreo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Biomasa aérea (Tn/ha) 54. Por último. Luego.77 al final del verano (Marzo) mientras que el SAVI evidencia menores variaciones (0.5 122.37) entre invierno y verano. El comportamiento de los diferentes índices de vegetación para las distintas muestras en función de la biomasa aérea se muestra en la figura 3. El NDVI varía entre 0. aunque las muestras 14.44 en invierno (Julio) y 0.0 Resultados Las muestras seleccionadas para el área de estudio (N=15) presentan valores de biomasa aérea entre 54. La banda 4 presenta una variación estacional: altos valores en la época lluviosa y bajos en la seca. Esto se debe a que los bosques abiertos semideciduos disminuyen su actividad fotosintética debido a la pérdida de biomasa verde durante esta estación del año. Por otra parte. Por el contrario. utilizando una prueba no paramética de Sperman a dos colas. Tabla 1. la banda 4 (infrarrojo cercano) presenta una alta reflectancia debido a la reflexión de la estructura interna de la hoja (mesófilo) mientras que las bandas 5 y 7 (infrarrojo medio) muestran una disminución en la reflectancia como resultado de la absorción del contenido de agua en las hojas. se generó para cada UM una transecta de 800 m y alrededor de la misma se construyó un área buffer de 50 m.vegetación de densidad intermedia. 5 y 7. a partir de las cuales se seleccionaron las muestras espectrales (reflectancia media de cada banda de Landsat 7 ETM+ exceptuando la banda del infrarrojo térmico) y las muestras de los índices de vegetación (medias del NDVI y del SAVI).5 93. NDVI).6 135.4 101. La diferencia entre las bandas 4 y 5 es mayor en verano y también en Abril.

p < 0. En cuanto a las correlaciones. 2. 1997. Dado que los bosques secos de la región Parque Chaqueño no presentan alta biomasa aérea.. Do et al. 2005). Dong et al.. 1998. 2000). aunque los resultados presentados en este trabajo no evidenciaron lo mismo. Dado que se trata de un bosque abierto. 2003). Asner (1998) encontró correlaciones significativas entre la reflectancia correspondiente a la banda del infrarrojo cercano (NIR) y la biomasa aérea del bosque.. Esto podría deberse a una respuesta fenológica diferencial de los tipos de vegetación (árboles. arbustos y pastos) a las condiciones climáticas que se presentan a lo largo del año. Por otra parte. el bosque chaqueño también presenta algunas ventajas sobre los bosques perennes en cuanto al uso de la teledetección ya que en esta zona es más factible obtener imágenes libres de nubes y además existen ciclos fenológicos marcados. comparables con los obtenidos para NDVI y biomasa en Brasil y Tailandia (Foody et al.559. Firmas espectrales para las fechas analizadas Discusión A partir de los resultados obtenidos. en general la fenología de los árboles está regulada principalmente por los mecanismos de almacenamiento de agua en la planta y el acceso a las reservas de agua subterránea (Borchert. Al calcular el SAVI. no se obtuvieron buenas correlaciones.. representando diferentes oportunidades para detectar las características de la vegetación. 1994. el uso de técnicas de sensoramiento remoto podría ser de utilidad para la estimación de la biomasa aérea del bosque en la subregión Semiárida del Parque Chaqueño. es posible que el suelo esté influyendo en la señal que recibe el sensor. William et al. el NDVI no alcanzó valores elevados y por lo tanto el problema de saturación de dicho índice discutido en otros trabajos (Gilabert et al.05). Si bien no se dispone de trabajos específicos para la región Parque Chaqueño. el cual incorpora un factor de corrección para reducir o suprimir el efecto del suelo (L).. 2003) no resultó relevante en el área de estudio. 2005) y reflectancia de las bandas TM y biomasa en Brasil (Steininger. Tal como proponen Feeley et al. La posibilidad de explorar datos multitemporales permitió encontrar una correlación significativa entre datos satelitales y biomasa aérea al comienzo de la estación seca (otoño) mientras que no se obtuvieron buenos resultados para las fechas correspondientes a verano e invierno. Purevdorj et al. 1997. (2005) para los bosques secos de Venezuela. NDVI y cobertura arbórea en Venezuela (Feeley et al. Los árboles tienen una rápida reacción cuando reciben las primeras precipitaciones al comienzo de la estación lluviosa y por lo tanto la aparición de las hojas ocurre sin un . aunque probablemente un sólo valor de L no abarca la totalidad de la variación de los tipos de suelo que caracterizan la región.25 28/07/2001 INVIERNO 09/03/2002 VERANO 12/05/2002 OTOÑO 24/02/2003 VERANO 13/04/2003 OTOÑO 20 Reflectancia en superficie (%) 15 10 5 0 B1 B2 B3 B4 B5 B7 Banda Landsat 7 ETM+ Fig. se presentaron en este trabajo coeficientes de correlación significativos entre NDVI y biomasa aérea para la fecha del 12 Mayo 2002 (r = 0...

Las muestras se encuentran en orden creciente de biomasa. 3. Índices de vegetación para las unidades de muestreo analizadas en las diferentes fechas.70 NDVI 0. Spessa et al. 2004.50 0.15 0.30 SAVI 0.35 0. Do et al. donde los arbustos y pastos se ven afectados por la sequía al comienzo de la estación seca (Abril-Mayo) dado .80 0.25 0.30 1 0..10 1 3 13 11 5 6 7 4 8 9 15 10 14 12 2 Unidad de muestreo Fecha 28-jul-01 09-mar-02 12-may-02 24-feb-03 13-abr-03 Fig. Por el contrario. Pero la pérdida de las hojas en los mismos responde más lentamente a la disminución de las lluvias y la defoliación no estaría regulada exclusivamente por la falta de precipitaciones sino también por un complejo mecanismo relacionado con la evapotranspiración y la disponibilidad de agua subterránea.60 0. reduciendo su actividad fotosintética al comienzo de la estación seca (William y Running..40 0. 2005. importante desfasaje en el tiempo. En este sentido. la vegetación que tiene acceso sólo al agua superficial (arbustos y pastos) tiene una rápida respuesta a la disminución en las precipitaciones.0.90 0.40 3 13 11 5 6 7 4 8 9 15 10 14 12 2 0. 2005). el ciclo fenológico del bosque chaqueño estaría respondiendo al mecanismo general descripto para otros bosques secos.20 0.

resulta crítico para determinar la época más apropiada de adquisición de imágenes satelitales. Science 310. Keller. Sumado a esto. provincia del Chaco) (Galván et al. sería el período más apropiado para relacionar datos satelitales con cobertura de árboles y biomasa desarrollando modelos de regresión.182 B7 -0. las precipitaciones correspondientes a las seis semanas previas al 12 Mayo 2002 fueron similares a los valores medios históricos (60 mm). 1998. 1437-1449..326 -0.597** Banda Espectral Landsat 7 ETM+ B2 -0. Silva.090 -0. (* p < 0.629** B3 -0..P. fuertemente asociado con la disponibilidad de agua.262 B5 -0. 64.397 -0. J.365 -0. D. 2003. Knapp. La variación climática interanual también podría afectar la fenología y por lo tanto la respuesta espectral. la defoliación comenzaría a mediados de la estación seca (Junio-Agosto) con un máximo al final de la misma (Septiembre-Noviembre).05 y ** p < 0. . Rem.203 -0. las primeras heladas en Mayo tienen un gran efecto sobre los pastos y arbustos. Ecology 75. Por otra parte. Broadbent.654** -0. M. característicos del régimen semiárido. Posiblemente.Fecha B1 28JUL01 09MAR02 12MAY02 24FEB03 13ABR03 -0.559* 0.200 -0. Es por ello.521* -0.614* -0. se conoce por ejemplo que las precipitaciones correspondientes a las seis semanas previas a la fecha de adquisición de las imágenes de Abril 2003 (comienzo de la estación seca) fue mayor que la media histórica para dicho período (aproximadamente 344 y 145 mm respectivamente). cuando la mayor proporción de la actividad fotosintética corresponde a los árboles. 2005.465 -0. Conclusiones La información de la estructura del bosque y especialmente la biomasa a nivel regional es fundamental para estudios de cambio global.493 -0. 2003). 2007). el comienzo de la estación seca (Abril-Mayo). datos satelitales de Abril de un año con precipitaciones normales podría mostrar respuestas similares a las encontradas para Mayo 2002. A partir de datos climáticos del centro del área de estudio (Taco Pozo. presentando también en este caso la mayoría de las correlaciones no significativas (Tabla 2). representando más de la mitad de las precipitaciones anuales (aproximadamente 650 mm).144 0.129 Tabla 2. E.. cuando las precipitaciones son mayores. Borchert.574* -0.253 -0.541* -0.453 -0. En consecuencia. que la firma espectral para Abril 2003 fue similar a ambas fechas de verano (Fig. 1994. indicando que es importante considerar la situación particular de cada año a fines de mejorar las estimaciones. Soil and stem water storage determine phenology and distribution of tropical dry forest trees.356 -0.159 -0. Referencias Asner.465 0.156 Índices de Vegetación NDVI SAVI 0. Environ. Coeficientes de correlación entre biomasa aérea y datos espectrales e índices de vegetación. SAGPyA. Asner.050 0.218 -0.421 B4 -0.01) que poseen solamente raíces superficiales mientras que los árboles tienen mayor capacidad de explorar y utilizar las aguas subterráneas y por lo tanto.057 -0.. G. Sens.174 -0.144 -0. Los resultados presentados en este trabajo sugieren que las imágenes satelitales Landsat 7 ETM+ proveen datos valiosos que pueden ser relacionados con información de campo para desarrollar metodologías de monitoreo de biomasa aérea de los bosques secos de la subregión Semiárida del Parque Chaqueño.191 0.338 -0. De este trabajo se deduce que el uso de datos satelitales de comienzos de la estación seca permitiría estimar la biomasa aérea dado que los pastos y arbustos sufren más intensamente las restricciones hídricas que los árboles en esta época en un año con régimen normal de precipitaciones. Oliveira. P... G. El mecanismo fenológico.288 -0. declinando su actividad fotosintética en la subregión Semiárida del Parque Chaqueño (Kunst y Bravo. Selective logging in the Brazilian Amazon.035 0. 234-253.497 -0. Biophysical and biochemical sources of variability in canopy reflectance.088 -0. R.514* -0. 480-482.141 -0. 2).

Howard. Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin.. Ecología y régimen de fuego en la región chaqueña argentina. GTZ. Routhier. 379-387. del Estero.. Rem.K.. S.. J. T. Sens. Cons.. W.L.. Mapping the biomass of Bornean rain forest from remotely sensed data. Terborgh. G. C.ar/maderas/pdf/ densidad_cientifico.140-148. SeCyT.. Boyd. Akpo. 11. T.A. Sens...J.. Coe. Front.. An improved strategy for regression of biophysical variables and Landsat ETM+ data.R. Deforestation trends and soybean expansion in subtropical Argentina.E. R. Gasparri. H. 2003. T. Análisis espacial de precipitaciones en la provincia de Santiago del Estero a escalas temporales mensual y anual.. 215.inti.. T. 508-519. J.. Diouf. Regiones Fitogeográficas de Argentina.pdf Gilabert. H... Biogeogr. 570-574. In: Asrar. Diagne... Olson. Klinck. The utility of spectral indices from Landsat ETM+ for measuring the structure and composition of tropical dry forest.A. Manghi. Ecol. 109-118. 319-328. Proceedings Congreso Regional de Ciencia y Tecnología NOA. SAyDS. 19. K. Myneni. E. Environ. Cutler. Moglia. Lawrence. 2003. Environ. H.. Foody.. 1976. INTA.gov. Foody. http://www. Tucker.. T. J.ar/archivos/web/UMS EF/File/volumen_biomasa_carbono. L. 32. Sens. 2005. 198.. Brondízio.. Appl. Gillespie. Brown. Envir. INTI – CITEMA . C. J. Salas. Costa.A.. Univ. 945-958. C. Environmental influence on canopy phenology in the dry tropics. P. Barford.. P. 2001. ACME. Boyd. Rem.. Coe. J. 2002.. J.. D. Sgo. 25-32.R. Aide. Liskid. Árboles del Chaco Argentino: guía para el reconocimiento dendrológico. McMorrow..J. Environ.). Monfreda. Hueck. Aboveground forest biomass and the global carbon balance. In: Kunst. Ecol. DeFries. 1988. Dirección de Bosques.. C.. 2004. Hougthon. 1997. Nacional de Catamarca. 2003. Asner. K. G...L. R. Holloway. 2005. Helens. N. Geography 22. Y. R.. 295-309. 1998. 84. Carpenter. Ramankutty. Hoekstra. 2003.. Patz. Fuego en los ecosistemas argentinos. Huete. Listado de densidades de maderas.. J. W. L. Biol. USA.. Confronting a biome crisis: global disparities of habitat loss and protection. H. Rocheteau. M. Kunst.. Machado.R.pdf Kauffman. F. M. M. E. W. 25. Predictive relations of tropical biomass from Landsat TM data and their transferability between regions.L. 1-10. E. M. M. Galvan. Patz. Ecology Letters 8. Global Change Biol. Kucharik. Dong J. 463-474. Cons.. A. A. P. D. Feeley.. Bravo.J. 2005. Los bosques de Sudamérica. J.. 10. Remote sensing estimates of boreal and temperate forest woody biomass: carbon pools. Foley. Mausel. Gasparri.. C. biomasa y contenido de carbono de las regiones forestales argentinas. Turner. N. J. Foley. 2003... heterogeneous landscape: Mount St. S.A. 85. Snyder.. Buermann. G. pp. N.M. and links. 2000. M. Giménez. Man.M. Foody. Gibbs. Ricketts. sources. Estimating Biomass and Biomass Change of Tropical Forests: a Primer. Environ. Acerca de los índices de vegetación.B. S. W.. T. . M. Amazonia revealed: forest degradation and loss of ecosystem goods and services in the Amazon Basin. 561-571. Ripple. V. Gibbs. Manage.ambiente.. 2005. M... S. Cabrera. Bioscience 50. Argentina. 2007. 1989. GarcíaHaro. FAO Forestry Paper Nº 134. Global consequences of land use.. Howard... N. 23-29. Goudiaby. 1997. Environ.. Kaufmann. S.. 84. 5. DeFries. Secondary forest age and tropical forest biomass estimation using thematic mapper imagery. Angueira... R. Pelz D. 2004. Asner. Chapin. L. For. composición e importancia económica. C.S. UNSE-SAyDS.. Global Ecol.. Kauppi. Ecol. Daily. R. New York..Boyd.. Lu. Roberts. using remote sensing.. Gimenez. Biotropica 37. R. R.. Ripple. D.. Rem. R. Douglas. J. Do. 64. Ecología.I. For. D. Rem. Maiersperger. G. Panigatti..R. Science 309. I. 393-410. A. Eschborn. A. González-Piqueras. Rem. Washington. J. Bravo. Atlas Climático del Noroeste Argentino. Boucher. Prentice.L. Snyder.. 149-167. J. 375-392.. Tucumán. E. Gower... G. O.gov.. Alexeyev.J. UMSEF.. 2003. Infante. C. C. Revista de teledetección 8. Moran. Bonan. J. 1999. 2005. BRD. Hughes. F. Nelson.P. Cohen. Cutler.).G. J. 703-713.. E. Laboratorio Climatológico Sudamericano. Conservation of the Brazilian Cerrado. Ramankutty. P. 1978. 91-102. D. W. (Ed. Grau. C. Minetti. G. Theory and Application of Optical Remote Sensing. (Eds. Helkowski. M. D. Tangki. A.. V.. A soil-adjusted vegetation index (SAVI). Sens. S. Acuña.. Comparisons among vegetation indices and bandwise regression in a highly disturbed. I. G. 2005. Argentina. Sens.. http://www. 2003. Kimes. Evaluation of approaches for forest cover estimation in the Pacific Northwest.. Estimación de volumen. Argentina. C.. 419-431...S. G. The atmospheric effect on remote sensing and its correction.. Buenos Aires. Envir. 2005.

D. 2004..ar/. 439-454. Lima. Myers. 1997. Leaf phenology of woody species in a north Australian tropical savanna. M. Global Ecology and Biogeography 14.I. Cubicación de árboles en el inventario forestal del noroeste argentino. Secretaría de Ambiente y Desarrollo Sustentable. Monitoreo de la superficie de bosque nativo de Argentina. Registro pluviométricos semanales 1999-2004. Lefebvre. E. B.. Spessa. 2542-2558. Sens. C.. J. A.. Duff. C.T.ambiente. UMSEF. 303-308. V. Satellite estimation of tropical secondary forest above-ground biomass: data from Brazil and Bolivia. Tateishi.10. J. D. S.A.. Cabido. 1139-1157 Tucker. http://www.. Alencart.sagpya. C.. Environ. Hodgson.. Steininger. 1975.. P. Int. 505-5008. W. Mendoza.. Muller.. Int. B. Relationships between percent vegetation cover and vegetation indices. Rem.mecon. R. Sens. Relationship among fire frequency.W. Ecology 78. M. Global Change Biol. Schlesinger. Cocrhane.gov. A..A. Williams. 2007.J. Prentice. and Eamus. Y.. Rem. Cons. 21. rainfall and vegetation patterns in the wet-dry tropics of northern Australia: an analysis based on NOAAAVHRR data. Y. Brooks. Rem. Argentina. Buenos Aires. J. T. Red and photographic infrared linear combinations for monitoring vegetation. 8. M. Nature 398. Potter.. 2005.K. Proyecto Bosques Nativos y Áreas Protegidas.. M. Honda. J. E.ar/umsef William. Running. 2007. C. .J. Primer Inventario Nacional de Bosques Nativos de Argentina. Moutinho. R. 2000. 1998. 120. 1979. G. SAGPyA (Secretaría de Agricultura Ganadería Pesca y Alimentación). have a future? Biol.. Sevola. 19.Nepstad. Zak M. 127-150. Do subtropical seasonal forests in the Gran Chaco. 2003. Sens. Effect of precipitation and soil water potential on drought deciduous phenology in the Kalahari. Purevdorj.gov. P. P.. www.J. 2004... 589598. McBeth. Large-scale impoverishment of Amazonian forests by logging and fire.. 2005. A. Nobre.. Verissimo. 3519-3535..

Sign up to vote on this title
UsefulNot useful