Está en la página 1de 287

ciencias

José Antonio Domínguez Gómez


Cecilia Marcos Martín
Yolanda Chao Rodríguez
Gloria Delgado Rojas
Daniel Rodríguez Pérez
CIENCIAS
Estudio de aguas continentales
mediante teledetección

JOSÉ ANTONIO DOMÍNGUEZ GÓMEZ


CECILIA MARCOS MARTÍN
YOLANDA CHAO RODRÍGUEZ
GLORIA DELGADO ROJAS
DANIEL RODRÍGUEZ PÉREZ

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA


CIENCIAS (0105002CT01A01)
ESTUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Quedan rigurosamente prohibidas, sin la


autorización escrita de los titulares del
Copyright, bajo las sanciones establecidas
en las leyes, la reproducción total o
parcial de esta obra por cualquier medio
o procedimiento, comprendidos la reprografía
y el tratamiento informático, y la distribución
de ejemplares de ella mediante alquiler
o préstamos públicos.

© Universidad Nacional de Educación a Distancia


Madrid 2011

Librería UNED: c/ Bravo Murillo, 38 - 28015 Madrid


Tels.: 91 398 75 60 / 73 73
e-mail: libreria@adm.uned.es

© José Antonio Domínguez Gómez, Cecilia Marcos Martín, Yolanda Chao Rodríguez,
Gloria Delgado Rojas y Daniel Rodríguez Pérez

Todas nuestras publicaciones han sido sometidas


a un sistema de evaluación antes de ser editadas.

ISBN: 978-84-362-6376-3
Depósito legal: M. 41.228-2011

Primera edición: noviembre de 2011

Impreso en España - Printed in Spain


Al inicio del siglo XXI confluyen ciertos factores que abren una nueva etapa en la teledetección
de aguas continentales: la Directiva Marco del Agua, la nueva política de distribución de
imágenes de la Agencia Espacial Europea (ESA), las aplicaciones a la gestión pública y el
compromiso de los investigadores en su aplicación práctica.

El origen de este libro se encuentra en un curso de doctorado organizado por José Antonio
Domínguez Gómez (licenciado en CC. Físicas y doctor en CC. Ambientales, investigador del
CEHCEDEX y responsable del grupo temático de Limnología y aguas continentales de la
Asociación Española de Teledetección) y Daniel Rodríguez Pérez (doctor en CC. Físicas y
profesor de Teledetección para CC. Ambientales en la UNED) sobre teledetección aplicada a la
calidad de aguas en 2009. Entre los estudiantes, cuyos trabajos dieron lugar a este libro, se
encuentran las siguientes autoras.

Cecilia Marcos Martín, licenciada en CC. Físicas, con especialidades de Astrofísica y


Física de la Atmósfera. Es funcionaria del Cuerpo Superior de Meteorólogos del
Estado, y trabaja en la Unidad de Satélites de la AEMET como responsable de los
productos de precipitación del
proyecto NWCSAF de EUMETSAT.

Yolanda Chao Rodríguez, licenciada en CC. Físicas. Desde 2008 trabaja en Deimos
Space en el departamento de Real Time como encargada de la verificación y validación
de uno de los componentes de la plataforma de tierra del sistema Galileo.

Gloria Delgado Rojas, licenciada en CC. Ambientales. Ha trabajado en teledetección


aplicada a la limnología y recursos forestales. En la actualidad trabaja para el Ministerio
de Medio Ambiente, Medio Rural y Marino en el área de Reservas Marinas.

Este libro será de interés para cualquier persona que se inicie en el estudio de aguas
continentales mediante teledetección. En él se resumen los conocimientos elementales
necesarios para afrontar nuevos trabajos, las limitaciones que plantean las metodologías
actuales y las líneas de trabajo que se están siguiendo. Además, el libro introduce un software
libre de la Agencia Espacial Europea, BEAM, que se emplea en varios casos de estudio.
ÍNDICE GENERAL

P REFACIO 11

P RÓLOGOS 13

Capítulo 1. M ARCO TEÓRICO 19


1. Caracterización de tipos de agua . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2. Limnología en España . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3. Limnología en el siglo XXI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

Capítulo 2. L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN 33


1. Propiedades ópticas inherentes (IOP) . . . . . . . . . . . . . . . . . . . . . . . . . 34
2. Propiedades ópticas aparentes (AOP) . . . . . . . . . . . . . . . . . . . . . . . . . 35
3. Relaciones entre IOP y AOP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4. Constituyentes de las aguas naturales . . . . . . . . . . . . . . . . . . . . . . . . . 40
5. Propiedades ópticas de las aguas naturales . . . . . . . . . . . . . . . . . . . . . . 43
6. Limnología mediante Teledetección . . . . . . . . . . . . . . . . . . . . . . . . . . 47

Capítulo 3. A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO 61


1. Planificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2. Toma de datos de campo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3. Análisis de pigmentos fotosintéticos . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4. Concentración de sólidos en suspensión. . . . . . . . . . . . . . . . . . . . . . . . 85

7
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

5. Fitoplancton. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6. Materia orgánica disuelta y coloidal . . . . . . . . . . . . . . . . . . . . . . . . . . 87
7. Sondas Multiparamétricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

Capítulo 4. BEAM SOFTWARE LIBRE DE LA ESA 91


1. Apertura y visualización de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . 95
2. Información sobre las imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3. Análisis de la imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4. Descripción de las herramientas de BEAM . . . . . . . . . . . . . . . . . . . . . . 120

Capítulo 5. E L WATER P ROCESSOR 169


1. La Albufera de Valencia como lago eutrófico . . . . . . . . . . . . . . . . . . . . 170
2. El Water Processor de BEAM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

Capítulo 6. O BTENCIÓN DE ALGORITMOS DE CALIDAD DE AGUAS 187


1. Obtención de algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
2. Algoritmos usados en calidad de aguas . . . . . . . . . . . . . . . . . . . . . . . . 191
3. Algoritmo para sólidos en suspensión . . . . . . . . . . . . . . . . . . . . . . . . . 199
4. Algoritmo para transparencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
5. Algoritmos en la Albufera de Valencia . . . . . . . . . . . . . . . . . . . . . . . . 203

Capítulo 7. E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA 207


1. Las lagunas de gravera de la vega del Jarama . . . . . . . . . . . . . . . . . . . . 207
2. Material y Métodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
3. Resultados de la morfometría de las masas de agua. . . . . . . . . . . . . . . . . 220
4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226

8
ÍNDICE GENERAL

Capítulo 8. P RESENTE Y FUTURO EN E SPAÑA 229


1. Estudios actuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
2. Estudios futuros: nuevos sensores . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
3. Conclusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243

Apéndice A. C AMBIOS EN LAS HERRAMIENTAS DE BEAM/VISAT 245

Apéndice B. TABLA DE ACRÓNIMOS EMPLEADOS EN EL LIBRO 253

B IBLIOGRAFÍA 261

9
PREFACIO

El estudio de las aguas continentales mediante teledetección se viene desarrollando


en España, simultáneamente con otros campos de la teledetección, desde finales de la
década de 1980. Sin embargo, no ha tenido difusión académica hasta hace relativamente
poco tiempo debido a los escasos proyectos realizados por las universidades en este
campo y a que el Centro de Estudios Hidrográficos, laboratorio del CEDEX, era el único
encargado, por parte de la Administración, de realizarlos.
A finales del siglo XX confluyen diferentes aspectos, y en distintos ámbitos, para
que el inicio del siglo XXI sea un precursor de una nueva etapa en este campo: la Direc-
tiva Marco del Agua, la nueva política de la ESA que abre a más usuarios sus imágenes,
el reconocimiento de la potencia de estas herramientas en la gestión pública para obte-
ner datos inaccesibles por otras técnicas, y la involucración de los investigadores en su
aplicación práctica en contextos reales.
La necesidad de una formación básica en teledetección hace que el CEDEX, desde
hace un tiempo, venga impartiendo cursos y un máster de hidrología y calidad de aguas.
Por otro lado, la colaboración de José Antonio Domínguez (CEH-CEDEX) durante la
puesta en marcha de la asignatura de Teledetección del segundo ciclo de la Licenciatu-
ra de Ciencias Ambientales de la UNED, y de otros cursos de Teledetección aplicada,
culminó con la organización, junto con Daniel Rodríguez (Dept. Física Matemática y de
Fluidos, UNED), de un curso de doctorado sobre teledetección aplicada a la calidad de
aguas, el curso 2008-2009.
El origen de este libro se encuentra, precisamente, en dicho curso de doctorado y en
los excelentes trabajos realizados por los demás coautores, estudiantes de ese curso y,
además, profesionales procedentes de áreas de especialización diversas. Ellos sugirieron
la posibilidad de reunir el material y las diferentes aproximaciones al problema en un
pequeño manual. Lo que sigue es el resultado de ese esfuerzo.
El público al que puede interesar esta obra, es muy amplio. Desde estudiantes de
máster de Ciencias Ambientales, hasta investigadores que se introducen en el estudio
de aguas continentales utilizando teledetección. Ambos, desde diferentes perspectivas:
geográfica, de gestión medioambiental, física, química, etc. Por ello se ha procurado
mantener la obra autocontenida, a pesar del riesgo de redundancia.

11
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

El enfoque con que este libro aborda el problema del estudio de las aguas continen-
tales mediante teledetección es eminentemente práctico. Ello se debe a que hoy en día
hay imágenes fácilmente disponibles para estos estudios y software gratuito que imple-
menta los algoritmos más recientes. Esto permite una aproximación, por parte del lector,
al trabajo de análisis paso a paso, siguiendo las indicaciones de los distintos capítulos.
Como se ha dicho, no obstante, se ha buscado aportar todas las perspectivas. Para
ello, se ha incluido un capítulo introductorio sobre la importancia ambiental del proble-
ma, otro sobre la física de la teledetección de aguas, así como un amplio apartado sobre
el análisis químico de aguas. Este último tema, que permite la validación de los algorit-
mos de teledetección de aguas, forma parte de la multidisciplinaridad de la teledetección;
por ello, los autores hemos recurrido a los expertos para su presentación: Ana Alonso
y Covadonga Alonso, del Centro de Estudios Hidrográficos (CEH-CEDEX), y Antonio
Quesada, del Departamento de Biología de la Universidad Autónoma de Madrid. Ellos
han contribuido a la visión rigurosa y precisa de las técnicas de análisis de pigmentos
más utilizadas, escribiendo las correspondientes secciones.
Por otro lado, un enfoque práctico requiere no sólo contar lo que funciona, sino lo
que no funciona y el porqué. A lo largo de varios de los capítulos se ha trabajado con
imágenes de La Albufera de Valencia, una laguna hipereutrófica. En estas condiciones
especiales, los algoritmos más usuales de concentración de pigmentos no funcionan se-
gún lo esperado; es importante conocer estas limitaciones, y por ello se explican. Así
pues, también se presentan métodos que funcionan, específicos para dichas condiciones.
El otro caso práctico, detalladamente presentado, es el de las Lagunas de Gravera. En él
se analizan el estudio multitemporal y la integración de imágenes de diferentes senso-
res, incluyendo datos procedentes de vuelos fotográficos antiguos. Como antes, se tratan
diferentes métodos, analizando su funcionamiento o no, en cada caso.
El libro finaliza con un capítulo en el que se presentan muy concisamente algunos
de los estudios más recientes y de los proyectos más próximos que se van a llevar a cabo
en España, relativos al tema del estudio de aguas continentales.
A modo de conclusión, en este manual se resumen los conocimientos elementales en
teledetección de aguas continentales necesarios para afrontar nuevos trabajos, así como
los problemas que plantean las metodologías actuales y, además, se da una idea de las
aproximaciones que se están utilizando en la actualidad para solventarlas (en particular,
en el último capítulo de la obra). Esperamos que esta presentación, abierta y detallada a la
vez, sea el punto de apoyo de futuros investigadores en este tema en pleno florecimiento.

Los autores.

12
PRÓLOGOS

Al ser la Teledetección, en general, y la Teledetección de aguas continentales, en


particular, materias tan multidisciplinares y con tantas aplicaciones, hemos invitado a
prologar este libro a personas de diferentes ámbitos, que ven la Teledetección desde dis-
tintos puntos de vista. Han tenido la gentileza de leer el manuscrito y de escribir unas
palabras que, sin duda animarán al lector a encarar esta obra, D. Vicente Caselles Mi-
ralles (U. Politécnica de Valencia), D. Fernando Pastor Argüello (Dirección General del
Agua, Ministerio de Medio Ambiente, y Medio Rural y Marino) y D. Antonio Quesada
(U. Autónoma de Madrid).

PRÓLOGO: LA TELEDETECCIÓN EN LA ENSEÑANZA UNIVERSITARIA

Es un verdadero placer para mí aceptar la invitación que tan amablemente me ha-


cen José Antonio Domínguez, Yolanda Chao, Cecilia Marcos, Gloria Delgado y Daniel
Rodríguez para realizar el prólogo de un libro tan estupendo como éste.
En sus siete capítulos se trata, de manera muy pedagógica, el Estudio de las Aguas
Continentales mediante Teledetección. El texto se inicia estableciendo el marco teórico
en el que debe entenderse el estudio de las aguas continentales, para establecer después
cómo ha de realizarse la limnología con teledetección. El capítulo tercero lo dedica a
la adquisición y análisis de datos, aspecto fundamental cuando uno debe realizar en su
investigación campañas de campo. El libro continúa exponiendo un software libre que
proporciona la ESA (Agencia Espacial Europea): el BEAM. Éste resulta de gran utilidad
para el tratamiento de datos de satélite. Como ejemplo de ello, en el capítulo siguiente
se analiza Water Processor del BEAM aplicado al caso de la Albufera de Valencia como
lago eutrófico. El capítulo sexto lo dedica al estudio de la obtención de algoritmos de
calidad de aguas (clorofila, seston y transparencia) en general y en el caso particular de
la Albufera de Valencia. Continúa el texto con un capítulo dedicado al estudio de la evo-
lución temporal de las masas de agua; tomando, como ejemplo, en este caso las lagunas
de gravera de la vega del Jarama. Se completa el manual con una extensa bibliografía.
Todo ello, hace de este libro una herramienta fundamental para cualquier persona
que se inicie en el Estudio de Aguas Continentales mediante Teledetección o bien quiera

13
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

profundizar en alguno de estos temas menos conocidos para él.


Los autores han sabido, pues, compaginar de forma magistral estos dos puntos de
vista. Y por ello reciban nuestra más sincera enhorabuena.

Valencia, 11 de abril de 2011


Vicente Caselles Miralles
Catedrático de Física Aplicada
Universidad de Valencia

PRÓLOGO: LA TELEDETECCIÓN EN LA PLANIFICACIÓN


HIDROLÓGICA

Partiendo del hecho que el agua es un recurso limitado que debemos proteger, co-
nocer con el máximo detalle los recursos hídricos disponibles cualitativa y cuantitativa-
mente se ha convertido en un objetivo de las Administraciones Hidráulicas españolas.
En la época actual, la sociedad demanda a los gestores del agua un desarrollo sostenible
y un tratamiento respetuoso del medio ambiente.
Partiendo de la premisa anterior, para mejorar la gestión de los recursos hídricos
disponibles es fundamental el empleo de modelos hidrológicos, que pongan a nuestra
disposición resultados coherentes y de calidad, ayudando a los diversos técnicos y cien-
tíficos que intervienen en la elaboración de los planes hidrológicos a tomar una buena
decisión. Para que esto sea así, es fundamental proporcionar al modelo datos de la má-
xima fiabilidad.
Dentro de los trabajos realizados por la Dirección General del Agua para la evalua-
ción cuantitativa de los recursos hídricos se encuentra, por ejemplo, los derivados de la
estimación de la fusión nival, cuyo control, cada día cobra mayor importancia tanto para
cuantificar el equivalente de agua en forma de nieve, como la aportación de agua que
llega a los ríos procedente de la misma. Hay que tener en cuenta que la cuantificación de
estos recursos es fundamental no solo para la gestión ordinaria, sino para la previsión de
los fenómenos hidrológicos extremos, tanto sequías como avenidas.
Para este trabajo, se pone de manifiesto las ventajas de utilizar técnicas de tratamien-
to digital de imágenes de satélite, permitiéndonos localizar geográficamente y medir la

14
P RÓLOGOS

superficie cubierta por nieve, así como para la realización de inventarios, georreferencia-
ción y estudios evolutivos de los glaciares del Pirineo, fieles indicadores de los cambios
climatológicos que se están produciendo. Conocida la superficie, los modelos de “fusión
– escorrentía” como el modelo ASTER del programa ERHIN (Evaluación de los Re-
cursos Hídricos procedentes de la innivación) desarrollado por la Dirección General del
Agua del Ministerio de Medio Ambiente y Medio Rural y Marino, evalúan el equivalente
de agua producible y la evolución de los glaciares.
Las labores desarrolladas a partir del uso de imágenes satélite, para la determinación
de la calidad de los recursos hídricos van encaminadas a determinar la concentración de
clorofila A (mg/m3 ), la concentración de Sólidos en Suspensión (mg/l), Transparencia
(m) y Temperatura superficial (◦ C) de las distintas masas de agua, especialmente lagos
y embalses.
Los trabajos enfocados a la previsión de los fenómenos hidrológicos adversos como
es la sequía, se fundamentan en los estudios que ha realizado la Universidad Lincoln
en Nebraska (U.S.A.), basados de los índices normalizados de vigor vegetal (NDVI) y
de agua en Superficie (NDWI), se elabora el Índice normalizado de sequía (NDDIE =
NDVI & NDWI).
En el caso de inundaciones, las imágenes procedentes de satélites se limitan a la
delimitación del área inundada.
Una aplicación muy importante de la Teledetección para la Planificación hidrológica
es la posibilidad de calcular las hectáreas de superficie regada para diferentes ámbi-
tos geográficos (sistema de explotación, demarcación hidrográfica, territorio nacional),
utilizando como máscara la cobertura del Sistema de Información sobre Ocupación del
Suelo de España (SIOSE), elaborada por el Instituto Geográfico Nacional. El objetivo no
es obtener el número exacto de hectáreas regadas en la superficie regable, sino realizar
un seguimiento cualitativo de la evolución del regadío para los diferentes escenarios tem-
porales en función de los ámbitos geográficos escogidos y poder determinar la dotación
de agua.
Podemos estimar también la evapotranspiración de los cultivos a diferentes escalas
de trabajo, obteniendo datos más precisos con los que alimentar modelos ya existentes
como el modelo distribuido de precipitación-aportación (SIMPA) del Centro de estudios
hidrográficos del CEDEX.
Por otra parte, la teledetección se revela como una fuente de adquisición de infor-
mación para alimentar los Sistemas de Información Geográfica (GIS), al proporcionar
capas temáticas de gran interés que complementan a las convencionales.

15
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Por lo tanto, podemos afirmar que el uso de la teledetección como herramienta de


captación de información aplicada a la hidrología y la planificación hidrológica supone
un ahorro de tiempo y costes para la evaluación de los recursos hídricos y por ende para la
gestión, racionalización, optimización y modernización de la planificación hidrológica.

Madrid, 16 de mayo de 2011


Fernando Pastor Argüello
Licenciado en Ciencias Físicas
Jefe de Área de Coordinación Exterior
S.G. Planificación y Uso Sostenible del Agua
Dirección General del Agua
Ministerio de Medio Ambiente, y Medio Rural y Marino

PRÓLOGO: LA TELEDETECCIÓN EN LA INVESTIGACIÓN BIOLÓGICA

Mis primeros contactos con la teledetección coincidieron con mis primeros pasos de
carrera profesional como limnólogo, hace ya 25 años. Inmediatamente percibí la impor-
tancia que este tipo de técnicas podría tener para el futuro de la limnología. En aquellos
momentos contacté con el equipo de teledetección del CEDEX donde uno de los autores
del libro participaría de manera muy activa. Las aplicaciones que este tipo de técnicas po-
dían suponer para otras disciplinas como la geología, la agricultura, arqueología u otros
dominios de la ciencia mostraban que serían, como está ocurriendo en la actualidad, una
pieza fundamental para la ecología acuática. Posteriormente, comencé una serie de re-
laciones científicas internacionales, en las que la teledetección estaba presente, que me
mostraban sin ninguna duda que mis amigos del CEDEX estaban desarrollando métodos
punteros que tendrían un gran alcance en un futuro. Y no me equivocaba. Posteriormente
en diferentes foros internacionales se percibía el trabajo que aquí se hacía como pionero
y al mismo tiempo resolutivo, de tal manera que se sucedían las visitas internacionales
que absorbían todos los conocimientos que el equipo del Dr. Domínguez generosamente
compartía con ellos.
La teledetección supone una herramienta de muchísimo alcance para la ecología
acuática, pero en particular para, la biología acuática. La teledetección supone una he-
rramienta fantástica para entender la distribución a gran escala de los organismos pre-

16
P RÓLOGOS

sentes en la masa de agua, su movilidad, y el desarrollo temporal, todo esto gracias a las
metodologías que los autores han desarrollado, y que tan amenamente presentan en este
libro. Las herramientas presentadas en este libro son fundamentales para poder llevar
a cabo los estudios de biomonitorización y bioindicación que exige la Directiva Marco
del Agua, y este libro permitirá poner en funcionamiento estas tecnologías. Aún no exis-
ten grandes programas de monitorización continuada mediante teledetección de nuestras
masas de aguas en lo que se refiere a problemas de gestión y salud pública, tales como
la presencia de cianobacterias, pero entiendo que este libro permitirá popularizar dichas
técnicas de manera que en el futuro sean pieza fundamental en la gestión del recurso
hídrico.

Madrid, 19 de septiembre de 2011


Antonio Quesada
Profesor Titular de Biología Vegetal
Universidad Autónoma de Madrid

17
C APÍTULO 1

MARCO TEÓRICO

La teledetección se ha utilizado en estudios relacionados con el agua, tanto desde la


perspectiva de la hidrología como desde la perspectiva de la ecología. Ambas ciencias
tienen en común el estudio de la calidad de las masas de agua, y la teledetección, aunque
ya se está utilizando, no ha probado todavía todo su potencial. Cabe esperar que, poco
a poco, se vaya desarrollando de tal forma que sea una herramienta común en la gestión
de la calidad del agua.
Para llevar a cabo un estudio sobre la calidad del agua mediante teledetección debe-
mos tener en cuenta las ventajas que esta técnica ofrece y todos los factores que intervie-
nen en dicho proceso, como son los tipos de agua existentes en la Tierra, la interacción
de la radiación solar con cada una de ellas, y los sensores y plataformas que se pueden
utilizar.

1. CARACTERIZACIÓN DE TIPOS DE AGUA

Los tipos de agua vienen determinados por la concentración de los componentes que
la conforman, así como por su localización.

1.1. Componentes del agua

Se pueden clasificar los componentes del agua según su procedencia y estado (Mar-
galef, 1983):

Materia sin vida, toda la materia inerte que se encuentra en el agua. Esta materia
puede encontrarse en forma de:

• Sólidos en suspensión (SS), esto es, toda materia que puede ser separada del
agua mediante un proceso de filtrado, sea cual sea el tamaño de poro del
filtro utilizado.
• Materia disuelta, aquélla que no puede ser separada del agua mediante un
proceso de filtración.

19
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Materia con vida, desde microorganismos, por ejemplo virus, bacterias o plancton,
hasta vertebreados y plantas superiores.

Fitoplancton: Clorofila-a

El plancton es la fracción viva de la materia que se halla en suspensión en el seno de


las aguas y que se mueve pasivamente debido al viento, a las olas o a las corrientes. A
aquellos organismos fotosintéticos que son productores de materia orgánica en los me-
dios acuáticos se los denomina fitoplancton; entre las aguas continentales se encuentran,
habitualmente, en aguas estancadas, de lagos, estanques o pantanos (aguas leníticas) y
en los tramos bajos de los grandes ríos.
El fitoplancton (algas y talofitas) y algunas bacterias constituyen el eslabón más bajo
en la cadena alimenticia en el medio acuático porque convierten los nutrientes inorgáni-
cos en materia orgánica susceptible de ser utilizada por otros seres vivos.
Entre los principales componentes del fitoplancton en agua dulce se encuentran co-
existiendo poblaciones de distintos grupos distribuidos en nichos ecológicos según sus
diferentes necesidades y tolerancia a los parámetros ambientales de tipo fisicoquímico.
Podemos distinguir, entre los más comunes:

Cianobacterias. Es el único grupo de algas que tiene estructura celular procariota, care-
cen de núcleo y se reproducen por partición. La mayor parte de ellas se organizan
formando estructuras filamentosas, pero un importante número de especies planc-
tónicas son unicelulares, apareciendo en forma de colonia. Tanto individualmente
como en colonias, presentan una envoltura gelatinosa muy variable e irregular, en
tamaño y forma. Las filamentosas tienen una cubierta mucilaginosa y un tricoma
formado por células alineadas dentro de la cubierta. Se reproducen por fragmen-
tación de los tricomas o por células diferenciadas llamadas aquinetos. Existe tam-
bién una diferenciación de ciertas células vegetales en heterocistes. Estas células
carecen de ficobilinas, encargadas de absorber la luz, y parecen ser las encargadas
de la fijación de nitrógeno.
Clorofíceas. Forman un grupo extremadamente grande y de gran diversidad morfológi-
ca, y su distribución está casi limitada a las aguas dulces. Son las más semejantes a
las plantas superiores por la coloración y la presencia de los pigmentos asimilado-
res en los cloroplastos, la existencia de almidón como producto de la fotosíntesis
y las paredes celulares formadas por celulosa y pectina. Comprenden todos los ni-
veles de organización, desde tipos unicelulares flagelados a especies de estructura

20
M ARCO TEÓRICO

Tabla 1.1. Pigmentos fotosintéticos identificativos de los diferentes tipos de algas (Jeffrey et al., 1997).

Pigmento Grupo algal o proceso


Clorofila-a Todas las algas fotosintéticas menos en la
Cla proclorofíceas
Clorofilas Clorofila-b Algas verdes: Clorofíceas,Prasinofíceas
Clb Eugenofíceas
Familia de Algas cromofíceas
Clorofila-c
Clc
Aloxantina Criptofíceas
Fucoxantina Diatomeas, primnesiofíceas, crysofíceas,
rapidofíceas, dinoflagelados en general
Carotenoides Luteina Algas verdes: Clorofíceas y paranofíceas
Peridinina Dinoflagelados
Violaxantina Algas verdes: Clorofías y paranofías, eustimastofías
Zeaxantina Cianofíceas, proclorofías,rodofías clorofías,
eustomatofíceas (pigmento menor)
Biliproteinas Ficocianina Cianofíceas, criptofíceas, rodofías (pigmento
menor)
Ficoeritrina Cianoficías, criptofíceas, rodofías (pigmento menor)

talosa.

Diatomeas. Son típicas de este grupo las paredes silíceas de las células. Son siempre
unicelulares, aunque algunas especies forman colonias. La estructura de su pared
celular es única en el reino vegetal. En ella se halla incluido ácido silícico, que les
confiere gran dureza y resistencia, y rodea al protoplasto a modo de caja con tapa.
Estas dos mitades reciben el nombre de frústulas. Las diatomeas se multiplican
por bipartición, longitudinalmente, en un plano paralelo a las caras de las valvas.

Euglenofitas. Son algas con flagelos generalmente móviles, de una gran diversidad de
tamaños (desde 5 μm, hasta más de 300 μm), y con pared celular proteica y estria-
da. Froman parte de este grupo organismos tanto heterótrofos o autótrofos, que
incluso pueden fagocitar partículas sólidas (Olrik, 1994). Entre las autótrofas, los
pigmentos principales son la clorofila-a y clorofila-b. Necesitan vitamina B12 que
obtienen aprovechando la actividad de algunas bacterias (González, 1998). Las eu-
glenofitas ocupan gran diversidad de nichos ecológicos incluyendo aguas dulces,
salobres y aguas ricas en materia orgánica.

21
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Un carácter primario que diferencia los grupos de algas es la distribución de los


pigmentos fotosintéticos y sus características pigmentarias —clorofilas, carotenoides,
biliproteinas, ficobilinas, etc.— (tabla 1.1).
La clorofila-a es el pigmento fotosintético primario de todos los organismos fotosin-
tetizadores que desprenden oxígeno y está presente en todas las algas, a excepción de
algunas bacterias fotosintéticas. Sin duda, es el principal pigmento que desencadena el
enriquecimiento de nutrientes en el medio acuático.

Materia orgánica

El carbono orgánico total (TOC, total organic carbon) es la medida de la cantidad


de materia orgánica, disuelta y sin disolver, que se encuentra en el agua.
Casi todo el carbono orgánico de las aguas naturales se encuentra en forma de car-
bono orgánico disuelto (DOC, dissolved organic carbon) y carbono orgánico particulado
muerto (POC, particulate organic carbon). La relación DOC a POC varía entre valores
de 6 : 1 a 10 : 1 (Wetzel, 1981).
La materia orgánica disuelta que se encuentra en las aguas naturales puede ser clasi-
ficada según su estado de agregación en:

Coloidal1 , denominada materia orgánica disuelta coloreada (CDOM, colored/chro-


mophoric dissolved organic matter) o materia amarilla.

No coloidal.

1.2. Aguas marinas

Las aguas oceánicas se clasifican en:

Tipo 1: son aquellas aguas en las cuales el fitoplancton y su material asociado (como
pueden ser organismos heterótrofos, bacterias, etc., excepto la materia orgánica
disuelta) son los únicos constituyentes (Morel y Prieur, 1977; Gordon y Morel,

1
Se denominan coloides a las suspensiones de partículas con tamaños muy pequeños, que no son distinguibles
mediante un microscopio óptico.

22
M ARCO TEÓRICO

Figura 1.1. Diagrama de clasificación de aguas marinas (adaptado de Prieur y Sathyendranath, 1981).

1983). Este material se puede cuantificar mediante la determinación de un único


pigmento: la clorofila-a. En este tipo de aguas la contribución de materia orgánica
disuelta (toda la materia procedente de materiales biógenos y bacterias heterótro-
fas) es tan pequeña que se puede despreciar (Morel, 1988; Cole, 1988; Stramski y
Kiefer, 1991; Morel y Ahn, 1991).

Tipo 2: son aquellas aguas que, además de fitoplancton, contienen concentraciones im-
portantes de materia orgánica disuelta y materiales en suspensión. Este tipo de
aguas corresponde a aguas costeras, en las cuales la interacción mar–tierra es muy
importante.

La clasificación de las aguas marinas, conceptualmente, puede ser organizada me-


diante el diagrama de la figura 1.1 (Prieur y Sathyendranath, 1981).

1.3. Aguas epicontinentales

La clasificación de las aguas epicontinentales se fundamenta en el conocimiento del


estado eutrófico de las aguas, concepto que ha sido y es estudiado en la actualidad con
el fin de llegar a una homogeneidad en la clasificación de dichas aguas.
El enriquecimiento de nutrientes implica cambios en la composición química y en
los organismos que contienen las masas de agua, por lo que es muy difícil separar el
aumento de nutrientes de los cambios químicos, biológicos y físicos de las masas de

23
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 1.2. Mecanismos que intervienen en el proceso de eutrofización (imagen cortesía de José Luis
Ortiz).

agua. Esta situación caracteriza a aguas con abundantes alimentos, etimológicamente


llamadas eutróficas (términos de origen griego “eu” —bien— y “trofe” —alimentado).
La definición de aguas eutróficas ha sido un dilema a lo largo de la historia; se hacía
énfasis en la causa del enriquecimiento o en las consecuencias de éste, o simultáneamen-
te en la causa y el efecto. La primera definición limnológica de eutrofización la propuso
Naumann en 1919 (basado en observaciones anteriores de Weber), atendiendo al aspecto
cualitativo y a las distintas especies fitoplanctónicas en el agua. Actualmente se define la
eutrofización por un aumento de los niveles nutricionales, especialmente con respecto al
fósforo y al nitrógeno (Directiva europea sobre tratamiento de aguas residuales urbanas,
91/271/EEC).
A lo largo del siglo XX encontramos diferentes definiciones de eutrofización (tabla
1.2). Un análisis de las diferentes definiciones nos indica la existencia de un factor común
en la mayoría de ellas: enriquecimiento o aumento de nutrientes. Para entender esta idea
tenemos que conocer los mecanismos que intervienen en el proceso de la eutrofización
(fig. 1.2).
La entrada de nutrientes (principalmente, nitrógeno y fósforo) y de materia orgánica
en la zona en la cual la luz penetra lo suficiente como para que se produzca la fotosíntesis
neta (zona eufótica), altera temporalmente las condiciones de equilibrio. La ruptura de
este equilibrio produce un incremento de la producción primaria (producción de algas

24
M ARCO TEÓRICO

Tabla 1.2. Definición de eutrofización (adaptada de Ortiz, 1992)

Autor Definición de eutrofización Fecha


Es el enriquecimiento del agua, intencionadamente
Hasler 1947
o no.
Es el proceso por el que la cantidad de organismos
Clarke y nutrientes en un lago, por ejemplo, aumenta 1954
frecuentemente a lo largo de un periodo de tiempo.
Es el enriquecimiento de nutrientes y el
Ohle 1965
consiguiente aumento de la producción vegetal.
Es el enriquecimiento en nutrientes y el subsiguiente
deterioro progresivo de la calidad de las aguas,
Vollenweider principalmente en lagos, debido a la proliferación 1968
vegetal, con las repercusiones consiguientes en el
metabolismo global de las aguas afectadas.
Simposio
Eutrophication: Se refiere a la adición natural o artificial de
Causes, nutrientes a masas acuáticas y a los efectos de dicha 1969
Consecuences adición
and Correctives
Implica cambios correlacionales en la composición
Milway química del agua y en los organismos que la 1970
contienen; es difícil separar causa y efecto.
Es la fertilización paulatina de las aguas naturales,
que van aumentando su producción en materia
Margalev 1976
orgánica, con la consiguiente pérdida de calidad del
agua.
Es la compleja secuencia de cambios iniciados por
Vallentyne el enriquecimiento en nutrientes de las aguas 1977
naturales.

planctónicas), lo que implica un aumento en la turbidez y un cambio de color del agua


hacia el verde. El aumento de fitoplancton conlleva un aumento de la actividad fotosin-
tética, lo cual produce una liberación de oxígeno tan intensa que las capas superficiales
de la masa de agua quedan sobresaturadas y, en consecuencia, el O2 es liberado a la
atmósfera. Simultaneamente con este proceso, se produce la respiración de la materia
orgánica que consume oxígeno, parte del cual ha sido liberado a la atmósfera. La falta
de oxígeno provoca la muerte de estos seres vivos, que se depositan en el sedimento,

25
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Tabla 1.3. Valores límites para la clasificación trófica de la OCDE


(1) concentración de fósforo total en la masa de agua (μg/l)
(2) media anual de la concentración de clorofila-a (μmol/l) en la zona eufótica
(3) pico anual de la concentración de clorofila-a (μmol/l) en la zona eufótica
(4) media anual de la profundidad del disco de Secchi (m)
(5) mínimo anual de la profundidad del disco de Secchi (m)

Categoría TP(1) [Chl](2) [Chl] máx.(3) Secchi(4) Secchi mín.(5)


Ultraoligotrófico < 4,0 < 1,0 < 2,5 > 12,0 > 6,0
Oligotrófico < 10,0 < 2,5 < 8,0 > 6,0 > 3,0
Mesotrófico 10 − 35 2,5 − 8 8 − 25 6−3 3 − 1,5
Eutrófico 35 − 100 8 − 25 2,5 − 75 3 − 1,5 1,5 − 0,7
Hipertrófico < 100 < 25 < 75 < 1,5 0,7

por lo que éste se oscurece. De esta forma, una parte de los materiales son eliminados
del ciclo biológico y existe la posibilidad de que, al año siguiente, la producción pri-
maria retorne a límites más bajos, recuperando las condiciones normales de equilibrio,
a lo que se denomina estado oligotrófico. Si no se recuperan estas condiciones, se pro-
duce una pérdida paulatina de materia orgánica que sedimenta en el fondo, haciendo
que el sedimento aumente. Esta situación se denomina estado eutrófico y dicho proceso,
eutrofización natural, proceso muy lento e irreversible. Si el aumento de nutrientes es
provocado por el hombre, la pérdida de materia orgánica no es lenta, sino rápida: este
proceso se denomina eutrofización artificial o cultural.
El estado eutrófico de las masas de agua lleva a su ordenación según un indicador que
define su estado trófico, al que se denomina índice o grado de eutrofia. Dicho índice per-
mite clasificar las aguas epicontinentales. En función del valor creciente de este índice,
grado de eutrofia varía en el siguiente orden: ultra-oligotrófico, oligotrófico, mesotrófico,
eutrófico e hipertrófico. Uno de los índices de eutrofía más utilizados es el introducido
por Carlson (1977), que se puede determinar a partir de diferentes parámetros: físicos
(transparencia), químicos (concentraciones de clorofila o fósforo), biológicos (número
de células), etc. En 1975, Shapiro publicó una recopilación de los índices y de los pará-
metros a partir de los cuales se puede determinar el índice de eutrofia (Ortiz, 1994).
Con el objetivo de unificar todos estos índices y así clasificar el tipo de aguas con-
tinentales, a finales de la década de 1970, la OCDE (Organización para la Cooperación
y el Desarrollo Económico) encargó a diversos grupos de investigadores de sus estados
miembro que estudiaran aguas continentales de las cuales pudieran obtener los paráme-
tros y sus intervalos para determinar el grado de eutrofia. Estos trabajos concluyeron en
una clasificación determinada para valores anuales que se ilustran en la tabla 1.3.

26
M ARCO TEÓRICO

Sin embargo, existen limitaciones a la hora de utilizar valores “precisos” para definir
las condiciones tróficas de una masa de agua. Es inevitable un cierto grado de superposi-
ción, es decir, algunas masas de agua pueden clasificarse en una determinada condición
trófica, basándose en un parámetro, y en otra categoría trófica, basándose en un segundo
parámetro. La OCDE ha tratado de superar estas limitaciones aplicando un cálculo es-
tadístico a su base de datos, creando así una clasificación de “límite abierto”. Con este
sistema, una masa de agua puede considerarse correctamente clasificada si no hay más
de un parámetro que se desvíe de su valor medio geométrico en más de dos desviaciones
típicas. En ausencia de valores tróficos absolutos, el solape de una serie de valores con-
firma la naturaleza todavía subjetiva de los esquemas de clasificación trófica, por lo que
está claro que los términos “oligotrófico” y “eutrófico” pueden tener significados dife-
rentes en situaciones limnológicas diferentes. Diversos investigadores han especificado
el rango de valores que delimitan los grados de eutrofia a partir del estudio de la OCDE.
La tabla 1.4 proporciona los valores límite de fósforo total, clorofila-a y profundidad
del disco de Secchi para los distintos niveles tróficos en el ámbito de lagos de zonas
templadas (Rast, et al 1992).
En la Directiva Marco del Agua de la Unión Europea (Directiva 2000/60/CE), que se
implementa en España en la ley Ley 62/2003, de 30 de diciembre, de medidas fiscales,
administrativas y del orden social (en su capítulo V), se clasifica el estado ecológico de
las aguas como: muy bueno, bueno, aceptable, deficiente o malo.
Los parámetros en función de los cuales se realizó la clasificación fueron:

Indicadores de calidad biológicos: fitoplancton, macrófitos y organismos fitoben-


tónicos, fauna bentónica de invertebrados y fauna ictiológica.
Indicadores de calidad hidromorfológicos: régimen hidrológico y condiciones mor-
fológicas.
Indicadores de calidad fisicoquímicos: condiciones generales (salinidad, pH, ba-
lance de oxígeno, etc.) y contaminantes.

El estudio de las masas de agua deberá tener en cuenta todos sus indicadores de cali-
dad de aguas (físico-químicos, biológicos, hidromorfológicos), que definirán el estado
ecológico de las aguas, entendiéndose como estado ecológico de una masa de agua la
expresión de la calidad de la estructura y el funcionamiento de los ecosistemas acuáticos
asociados a las aguas superficiales. Sin embargo, el objetivo a alcanzar a través de la
política de gestión de aguas se define por el potencial ecológico, que se define como la
expresión de la calidad de la estructura y funcionamiento de los ecosistemas acuáticos
asociados a las aguas superficiales.

27
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Tabla 1.4. Valores medios anuales límite de la OCDE para la clasificación trófica de un sistema abierto. X: media
aritmética, SD: desviación típica, n: número de valores empleados en el cálculo.

Parámetro Media Oligotrófico Mesotrófico Eutrófico Hipertrófico


Fósforo tot. X 8,0 26,7 84,4
(μg/l) X ± 1 SD 4,05 − 13,3 14,5 − 49 48 − 189
X ± 2 SD 2,9 − 22,1 7,9 − 90,8 16,8 − 424
Rango 3,0 − 17,7 10,9 − 95,6 16,2 − 386 750 − 1200
n 21 19 71 2
Nitrógeno X 661 753 1875
tot. (μg/l) X ± 1 SD 371 − 1180 405 − 1170 861 − 4081
X ± 2 SD 208 − 2103 313 − 1816 395 − 8913
Rango 307 − 1630 361 − 1387 393 − 6100
n 11 8 37
Clorofila-a X 1,7 4,7 14,3
(μg/l) X ± 1 SD 0,8 − 3,4 3 − 7,4 6,7 − 31
X ± 2 SD 0,4 − 7,1 1,9 − 11,6 3,1 − 66
Rango 0,3 − 4,5 3 − 11 2,7 − 78 100 − 150
n 22 16 70 2
Clorofila-a X 4,2 16,1 42,6
Máx. (μg/l) X ± 1 SD 2,6 − 7,6 8,9 − 29 16,9 − 107
X ± 2 SD 1,5 − 13 4,9 − 52,5 9,5 − 275
Rango 1,3 − 10,6 4,9 − 49,5 9,5 − 275
n 16 12 46
Prof. Secchi X 9,9 4,2 2,45
(m) X ± 1 SD 5,9 − 16,5 2,4 − 7,4 1,5 − 4,0
X ± 2 SD 3,6 − 27,5 1,4 − 13 0,9 − 6,7
Rango 5,4 − 28,3 1,5 − 8,1 0,8 − 7,0 0,4 − 0,5
n 13 20 70 2

La clasificación del estado ecológico de las masas de agua estará representada por
el menor de los valores de los resultados del control biológico y fisico-químico de los
correspondientes indicadores de calidad. En los mapas se representa el estado ecológico
codificado según la escala de color:

azul → muy bueno


verde → bueno
amarillo → aceptable

28
M ARCO TEÓRICO

naranja → deficiente

rojo → malo

La evaluación del estado ecológico se determinará mediante el parámetro EQR (Ecolo-


gical Quality Ratio):

valor observado
EQR =
valor óptimo en ecosistema acuático asociado a superficies de agua

Este parámetro será el que tenga menor valor de los resultados del control biológico
y fisico-químico de los correspondientes indicadores de calidad (según figuran en la
Directiva 2000/60/CE), y tomará valores entre 0 y 1 (0 ≤ EQR ≤ 1).
El objetivo de la Directiva Marco es que los estados miembros de la Unión Europea
pongan en vigor todas las disposiciones legales, reglamentarias y administrativas nece-
sarias con el fin de que, a posteriori, las aguas de la Unión Europea tengan un estado
ecológico muy bueno, definido por unos indicadores a utilizar en el estudio de las aguas
continentales, así como los límites de éstos.2

2. LIMNOLOGÍA EN ESPAÑA

La limnología (del griego λίμνη, que significa laguna) es, según la Real Academia
Española de la lengua, el estudio científico de los lagos y lagunas, o bien, la biología
de las aguas dulces, en general, y estudio de los factores no bióticos de ellas. Estas
definiciones se quedan algo cortas para explicar lo que es verdaderamente la limnología.
A una correcta definición de esta ciencia se debe llegar, como en muchos otros casos, a
través de la experiencia en su práctica.
En este epígrafe sobre la limnología en España, pondremos el ejemplo del profesor
Ramón Margalef (1919-2004). Durante el Congreso Ibérico de Limnología de Madrid,
en 2002, y en no más de dos líneas escritas, él definió todos los procesos físico-químico-
biológicos (todos los tipos de procesos que existen) y sus relaciones existentes en un
ecosistema acuático espacial y temporalmente. Tal fue la sorpresa de los asistentes, des-
de catedráticos hasta estudiantes, que nadie tomó nota de aquellas palabras. Quizás no
fuera necesario. Lo que dejó claro es que no sólo es física, ni química, ni biología, sino

2
El plazo para la entrada en vigor de esta directiva marco se estableció en el 22 de diciembre de 2003 (Punto 1,
Art. 24. Directiva 2000/60/CE del Parlamento Europeo y del Consejo de 23 de octubre de 2000 por la que se establece
un marco comunitario de actuación en el ámbito de la política de aguas).

29
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

todo junto y a la vez “revuelto”, y que llegar a definir con palabras las ecuaciones que
relacionan todos los procesos en un sistema acuático con sus relaciones internas e inter-
relación externa, con el aire y otros ecosistemas, es muy difícil de expresar. Es posible
que, matemáticamente corresponda a una ecuación diferointegral, espacial y temporal-
mente, de varios términos en los cuales existan variables físicas, como la temperatura;
químicas, como la concentración de fósforo; y biológicas, como poblaciones de seres
vivos.
Sin olvidarnos de los anteriores, Ramón Margalef marcó un antes y un después en el
mundo de la limnología en España, no simplemente a nivel de conocimiento, sino por ser
un maestro y divulgar inculcando entusiasmo y ánimo al estudio de unos ecosistemas tan
complejos como son los ecosistemas acuáticos continentales españoles. Ramón Margalef
fue nombrado Profesor de la Universidad de Barcelona en 1956, en la que, desde 1967
y hasta 1986, ocupó la primera cátedra de Ecología en España. Desde ella inculcó y
fomentó los estudios de limnología en España. Sus discípulos hoy son los profesores de
universidad e investigadores de muchos de los centros de Investigación en Limnología
en España, como por ejemplo, el Centro de Estudios Hidrográficos (CEDEX3 ) en su
anterior área de Calidad del Agua (actualmente de Medio Ambiente Hídrico), donde se
desarrollan actividades de investigación, apoyo y divulgación en ecosistemas acuáticos
continentales.
La implantación de la Directiva Marco ha obligado a realizar numerosos estudios
sobre todos los ecosistemas acuáticos españoles, cuya información se encuentra en los
diversos sitios web de las Confederaciones Hidrográficas, con el objetivo de su cum-
plimiento en los plazos acordados. La diversidad de los sistemas acuáticos en España
ha generado la necesidad de centralizar los estudios de cada uno de ellos, razón por la
cual se creó el Centro Español de Estudio de Humedales (CEHUM4 ). Algunas confede-
raciones han sido trasferidas a sus Comunidades Autónomas; en sus sitios web también
aparece la actividad que se realiza desde los gobiernos autonómicos, por ejemplo el se-
guimiento de la turbidez del río Guadalquivir5 . Los lagos que se encuentran dentro de
un Parque Natural, como puede ser la Albufera de Valencia6 , disponen de su propio sitio
web para informar de toda la actividad.
El estudio de los ecosistemas acuáticos continentales en España está en auge y con
unas maravillosas perspectivas de avance para el siglo XXI.

3
http://hercules.cedex.es/Ecosistemas/
4
http://www.fundacion-biodiversidad.es/inicio/centros-redes/cehum
5
http://www.juntadeandalucia.es/medioambiente/site/web
6
http://www.albufera.com/

30
M ARCO TEÓRICO

3. LIMNOLOGÍA EN EL SIGLO XXI

A escala global, desde 1960 hasta la actualidad, se han estudiado muchas masas de
agua continentales, desde la Antártida7 hasta los ríos que desembocan en el océano Ár-
tico. Todos estos estudios han generado una gran información, sobre todo con el avance
tecnológico a finales del siglo XX. Los nuevos sistemas de obtención de datos e infor-
mación permiten tener en tiempo real los datos en un punto de la masa de agua situada a
kilómetros de la oficina o centro de procesamiento de datos.
Los sistemas de información geográfica permiten realizar análisis espaciales de las
variables y parámetros de estudio. La teledetección, especialmente desde que se tiene
libre acceso a imágenes de distintos sensores, permite generar capas temporales de una
misma zona con una periodicidad cada vez mayor, de los 16 días del satélite Landsat
hasta los 3 del sensor MERIS, sin contar los nuevos sistemas de satélites de observación
de la Tierra, como puede ser WorldView 2, con una resolución espacial de 2 m y 8 bandas
espectrales entre 400 nm y 1000 nm.
La limnología del siglo XXI tiene muchos retos pendientes para revisar ciertas pre-
misas establecidas durante el siglo XX y cambiarlas a la nueva filosofía de calidad de
aguas y su planificación de las cuencas hidrográficas (Meniondo, 2009). El concepto de
calidad del agua desde un punto de vista limnológico se queda corto. La Unión Euro-
pea ha dado un paso más en su Directiva Marco del Agua y busca conseguir una buena
calidad ecológica de sus aguas continentales.
Los países miembros de la Unión Europea a través de sus Confederaciones Hidro-
gráficas divulgan los datos y la situación de los trabajos para conseguir los objetivos en
los plazos establecidos.
Las diferentes asociaciones limnológicas a nivel de cada país o a nivel internacional
permiten compartir las experiencias y resultados de los trabajos, los cuales son publica-
dos periódicamente.
El primer reto que tiene Europa para su primer cuarto de siglo XXI es el cumplimento
de la Directiva Marco y su seguimiento con la incorporación de las nuevas fuentes de
información, como pueden ser la teledetección y la nueva instrumentación.
El siglo XXI se presenta como todo un reto para el conocimiento de los ecosiste-
mas acuáticos continentales del mundo, independientemente del prisma con el cual se
observe o del lugar del Planeta en que se encuentren.

7
http://www.uam.es/proyectosinv/antartid/

31
C APÍTULO 2

LIMNOLOGÍA MEDIANTE TELEDETECCIÓN

La detección remota de las propiedades de una masa de agua se basa en la interacción


de la radiación electromagnética con las moléculas de esta masa de agua, ya sean de agua
misma, o de la materia diluida o suspendida en ella. Esta interacción, a su vez, depende
de la energía de los fotones que componen la radiación electromagnética o, dicho de otro
modo, de su longitud de onda, λ.
Un fotón que interactúa con una molécula puede ser absorbido, dispersado o trans-
mitido por ésta. Si el fotón es absorbido, la energía de la molécula se ve incrementada

λ 001
E111
E110 λ 010

E101 λ 001
E100 λ 110

λ 100
E010 λ 010

E001 λ 001
E000

Figura 2.1. El proceso de absorción de un fotón eleva el estado electrónico de una molécula de su estado
fundamental ( ) a un estado excitado ( ), cuando la energía del fotón es suficientemente elevada
(y, por lo tanto, su longitud de onda suficientemente corta). Así, la longitud de onda λ100 se encuentra
dentro de una banda de absorción en el espectro de absorción electrónica de la molécula.
Los fotones menos energéticos (con longitudes de onda más largas) sólo son capaces de excitar estados

vibratorios ( ) o rotacionales ( ). Las bandas de absorción están formadas por múltiples


estados de vibración y rotación. Cuando sus energías se solapan, las transiciones entre estados forman
parte del espectro térmico, que es continuo.
Cuando un estado energético decae a otro menos energético (no necesariamente al fundamental), se
produce la emisión de energía en función de un fotón que transporta la diferencia de energías entre estados
electrónicos. La presencia de este fotón en el espectro emitido o reflejado proporciona información sobre
las bandas energéticas y, por lo tanto, sobre la sustancia de la que procede.

33
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

debido a la interacción con el fotón (véase la figura 2.1). Si el fotón es de baja energía,
en el rango del infrarrojo lejano y microondas (λ > 20 μm), sólo proporciona energía
para transiciones entre niveles de rotación. Si el fotón tiene una energía correspondiente
al infrarrojo entre 1 μm y 20 μm, la energía que trasmite causa transiciones entre los ni-
veles de vibración. En el rango visible, el fotón aporta la energía suficiente para que los
electrones de la molécula de agua realicen transiciones electrónicas.

1. PROPIEDADES ÓPTICAS INHERENTES (IOP)

Los procesos de absorción del agua se cuantifican mediante el coeficiente de absor-


ción, a. El coeficiente de absorción del agua es la fracción de energía luminosa absorbida
cuando un estrecho haz de luz colimado (un rayo de luz) atraviesa un espesor unidad de
agua. Si el fotón es dispersado, continúa su camino; este proceso se mide mediante el
coeficiente de dispersión, b. El coeficiente de dispersión es la fracción de luz trasmitida
cuando un estrecho haz de luz colimado atraviesa una unidad de longitud en el agua.
El flujo de energía incidente Φi (λ) es Volumen de agua
igual a la suma de las energías absorbi- Φb(λ) Φs(λ)
da Φa (λ), transmitida Φt (λ) y dispersa-
da Φs (λ) (figura 2.2). Los cocientes en-
Φi (λ) Φa(λ) Φt (λ)
tre estos flujos de energía radiante defi-
nen los siguientes coeficientes adimensio-
nales característicos del espesor de mate- Φr(λ)
Δr
rial considerado:
Figura 2.2. Absorción y dispersión de un fotón en un
elemento de volumen de agua.
absorbancia, A(λ) = Φa (λ)/Φi (λ)

transmitancia,
B(λ) = [Φt (λ) + Φs (λ)]/Φi (λ)

y, cuando se consideran espesores infinitesimales, se convierten en

A(λ)
a(λ) = lı́m (2.1)
Δr→0 Δr

B(λ)
b(λ) = lı́m (2.2)
Δr→0 Δr

34
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

c(λ) = a(λ) + b(λ) (2.3)

que son el coeficiente de absorción, a(λ), el de dispersión, b(λ), y el coeficiente de


atenuación total, c(λ) (debida tanto a la absorción como a la dispersión), que representa
la fracción de la energía que pierde un haz de luz colimado cuando avanza una longitud
unidad a través del agua. Estas propiedades se miden con un espectrofotómetro y se
denominan propiedades ópticas inherentes (IOP) porque no dependen de la luz (su origen
o intensidad), sólo del agua o de las sustancias que existen en el medio acuático (Tassan
y Ferrari, 1995). Las unidades en que se miden todas estas propiedades inherentes son
m−1 .

2. PROPIEDADES ÓPTICAS APARENTES (AOP)

La energía electromagnética que incide sobre una superficie de agua la atraviesa


cumpliendo las leyes de:

Snell, que nos indica cómo cambia la dirección de propagación de la luz al cambiar
de medio.

Fresnel, que nos indica cómo cambian el coeficiente de reflexión y la dirección de


polarización en función del ángulo de incidencia y las propiedades del medio; un
caso particular es la ley del “índice de refracción al cuadrado”, que nos indica la
variación del flujo de energía radiante al cambiar de medio.

Una vez que la energía se encuentra en el medio acuático, ésta se comporta según la ley
de Lambert-Beer (ver figura 2.3):

Ed (λ, z) = Ed (λ, 0) · e−Kd (λ)z

Ed (λ, z): Irradiancia incidente, a la profundidad z y a la longitud de onda λ.

Ed (λ, 0): Irradiancia en la superficie interior del agua (z = 0), a la longitud de onda
λ.

Kd (λ): Coeficiente de atenuación difusa, a la longitud de onda λ. Describe la dis-


minución de la irradiancia ambiental en el medio acuático.

35
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN


 
 
 
!"
  
 








      


 

Figura 2.3. Medida de la irradiancia en el “punto 5” de la laguna de El Campillo (31 de julio de 2000): por
encima del agua, Ed (0+ ), por debajo del agua, Ed (0− ) y a diferentes profundidades.

La irradiancia dentro del agua se mide con un espectrorradiómetro al que se adap-


ta un coseno-receptor. Este coseno-receptor permite captar y analizar toda la energía
luminosa que llega a él desde cualquier dirección. A partir de esta medida se puede de-
terminar Kd . Las propiedades que se determinan mediante espectrorradiómetros a partir
de medidas de la energía radiante dentro de la masa de agua se denominan propiedades
aparentes y dependen del medio acuático y de la energía ambiental que incide sobre él.
La ley de Lambert-Beer se puede expresar en función del espesor óptico (aparente)
τd = Kd (λ)z como
Ed (λ, z) = Ed (λ, 0) · e−τd

Una medida sencilla de la atenuación de la luz en el agua es la medida de la transparencia


de una masa de agua. Esta se realiza determinando la profundidad de visión del disco
de Secchi. Este disco es un disco blanco de unos 30 cm, para aguas marinas, o blanco y
negro de 20 cm, para aguas continentales, que se sumerge en el agua pendiente de una
cuerda; la profundidad D a la que deja de ser visible informa sobre la transparencia del
agua en el rango visible. En líneas generales, el coeficiente de atenuación difusa en el
rango visible (entre 400 nm y 700 nm) es KPAR = 1,7/D, donde el subíndice PAR se
refiere a la radiación fotosintéticamente activa (en el azul y el rojo del rango visible) y D
es la profundidad del disco Secchi en metros (Margalef, 1993).

36
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

La falta de transparencia de una masa de agua debida a la concentración de sólidos en


suspensión se denomina turbidez y se mide con un turbidímetro (en NTU, nephelometric
turbidity units). El turbidímetro determina el cociente entre la luz transmitida y la luz
dispersada con un ángulo de 90◦ respecto al haz incidente; ese valor da la turbidez en
NTU.
La reflectancia del interior de una masa de agua se define como la fracción de energía
reflejada desde el interior de la masa acuática, esto es, el cociente entre la irradiancia
ascendente (upwelling), Eu (0− , λ), y la descendente (downwelling), Ed (0− , λ), medidas
ambas justo bajo la superficie del agua (profundidad 0− ):

R(0− , λ) = Eu (0− , λ)/Ed (0− , λ)


En el aire (profundidad 0+ , justo sobre la superficie acuática) la fracción de energía
reflejada se define como:

R(0+ , λ) = Eu (0+ , λ)/Ed (0+ , λ) = πLu (0+ , λ)/Ed (0+ , λ)


donde Lu (0+ , λ) es la radiancia saliente (upwelling), medida en la parte superior del
agua, y supuesta isótropa.

3. RELACIONES ENTRE LAS PROPIEDADES ÓPTICAS INHERENTES


(IOP) Y APARENTES (AOP)

La relación que existe entre la atenuación vertical difusa Kd y los coeficientes de


absorción y dispersión, a y b, respectivamente, es (Kirk, 1984):

Kd (zm ) = [a2 + (0,47μ0 − 0,218)ab]1/2 /μ0


donde μ0 es el coseno del ángulo de incidencia, zm es la profundidad a la que llega el
10 % de la luz incidente (región fotosintéticamente activa) y a, b son los coeficientes de
absorción y dispersión definidos en (2.1) y (2.2). Otra relación aproximada que propor-
ciona Kd es (Sathyendranath, 1988):

Kd (λ) = [a(λ) + bb (λ)]/μ0


que, además del coeficiente de absorción a, incluye el coeficiente de retrodispersión bb ,
que corresponde a la fracción dispersada en la dirección desde la que incide la luz y, por
lo tanto, medible desde fuera del agua.

37
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

La distribución de energía en un sistema se describe por medio de la ecuación de


transferencia radiativa (RTE), que expresa la propagación de la energía dentro de un
medio de propiedades ópticas inherentes conocidas. Para un medio pasivo (esto es, sin
fuente interna de radiación, como es el medio acuático), esta ecuación describe la pér-
dida de energía (debida tanto a la dispersión como a la absorción en la dirección de la
propagación de la energía) y la ganancia de energía (debida a la dispersión desde otras
direcciones) del haz luminoso al atravesar dicho medio.
Esta ecuación no tiene solución analítica para un sistema tan complejo como el me-
dio acuático, por lo que sólo son posibles soluciones numéricas. Ésta es la razón por la
cual, para obtener la solución de la ecuación de transferencia radiativa en el medio acuá-
tico, se simula el sistema utilizando un algoritmo de Monte Carlo. La variable energética
que se relaciona con los coeficientes de absorción y dispersión es la reflectividad medida,
justamente, debajo de la superficie de separación de los medios atmosférico y acuático
R(0− , λ). La relación analítica aproximada que se obtiene es (Gordon et al., 1975):

n=3
R(τ) = ∑ rn (τ)xn = r0 (τ)x0 + r1 (τ)x1 + r2 (τ)x2 + r3 (τ)x3
n=0
donde

x = [bb /(bb + a)]


y los rn (τ) son los coeficientes para losdiversos órdenes de expansión en x, y τ es la
profundidad óptica o espesor óptico τ = 0z c(z )dz ; en nuestro caso, como estamos en la
superficie, τ = 0.
Según los valores de los coeficientes a y bb en el desarrollo, pueden despreciarse
los términos de orden superior a 1, y como r0 (0− ) es muy pequeño, también se puede
despreciar. Por lo tanto, la expresión queda:

R(0− ) = r1 x = r1 × [bb /(bb + a)]


Aquí, r1 es el valor del coeficiente de expansión de orden 1 cuando el espesor óptico
τ = 0− (esto es, justo bajo la superficie). r1 depende de las condiciones de iluminación
y, en particular, del ángulo cenital solar:

r1 = 0,3244, cuando el sol está situado en el zenit


r1 = 0,3687, cuando la radiancia incidente desde el cielo es independiente de su
dirección de procedencia (altura y azimut)

38
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

Si a es mucho mayor que bb , la expresión anterior se puede aproximar por (Morel y


Prieur, 1977):

R(0− ) = r1 × (bb /a)

con r1  0,33.
Repitiendo el proceso de simulación, se obtuvieron la anteriormente citada relación
existente entre el coeficiente de extinción vertical difusa y los coeficientes de absorción
y retrodispersión y el valor de r1 (Kirk,1984):

r1 (μ0 ) = −0,629μ0 + 0,975

donde, de nuevo, μ0 es el coseno del ángulo cenital solar.


Un análisis detallado de la interfase entre el medio atmosférico y el medio acuá-
tico permite relacionar la radiancia reflejada desde el medio acúatico a la atmósfera,
Lu (0+ , λ), con la radiancia reflejada dentro del medio acuático, Lu (0− , λ), y con las irra-
diancias de upwelling, Eu (0− , λ), y downwelling, Ed (0+ , λ) y Ed (0− , λ) (Gordon et al,
1988):

Ed (0+ , λ)t(1 − ρ)[(1 − ρ− )R− ]


Lu (0+ , λ) =
Qn2

En esta expresión t es la transmitancia, ρ es la reflectividad de Fresnel para incidencia


desde la atmósfera, ρ− es la reflectividad de Fresnel para transmisión desde el agua, n es
el índice de refracción del agua y

R− = Eu (0− , λ)/Ed (0− , λ)

y
Q = Eu (0− , λ)/Lu (0− , λ)

Si en el análisis se tiene en cuenta la geometría de las partículas que constituyen el


medio acuático, la relación que se obtiene para la reflectividad del agua observada desde
la atmósfera es (Morel y Gentili, 1991; Antoine y Morel, 1997):

39
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Lu (0+ , λ, θs , θ , Δφ)
R(0+ , λ, θs , θ , Δφ) = π
Ed (λ)
tθs (λ)R (θ ) f (λ, θs )R(0− , λ, θs , θ , Δφ)
= πRrs = π
Q(λ, θs , θ , Δφ)

donde θ es el ángulo de refracción que se relaciona con el de incidencia θ por la ley de


Snell (θ = sin−1 (n sin θ)); φ el ángulo de azimut y Δφ es la diferencia entre los ángulos
azimutales de incidencia y de observación; Rrs es la reflectividad remota (reflectividad
observada desde el satélite); tθs es la transmitancia aire-agua (función del ángulo de
incidencia); f (λ, θs ) es una función que caracteriza el tipo de dispersión de la radiación
y depende de la geometría de las partículas; R (θ ) es un factor geométrico que justifica
los efectos de refracción y reflexión en la interfase aire-agua (Gordon, 1988)

(1 − ρ− )[1 − ρF (θ )]
R (θ ) =
[1 − r− R(0− )]n2
En esta expresión, ρF (θ ) corresponde al coeficiente de reflexión de Fresnel para inci-
dencia desde el aire expresado en función del ángulo de refracción θ , ρ− al coeficiente
de reflexión de Fresnel medio para incidencia desde el agua, y r− a la reflexión media
para la radiancia reflejada en la interfase agua-aire.
En conclusión, existe una relación entre la reflectividad del medio acuático obser-
vada desde fuera de éste, R(0+ ), y los componentes que existen en él, a través de los
coeficientes de absorción y retrodispersión, dada por la expresión:

 
+ bb
R(0 ) = Ψ ×
(a + bb )

tqs (λ)R (θ ) f (λ, θs )r1 (μ0 )


Ψ=π
Q(λ, θs , θ , φ)

4. CONSTITUYENTES DE LAS AGUAS NATURALES

Los constituyentes de las aguas naturales se dividen, de forma tradicional, en materia


coloidal o disuelta y materia particulada de origen orgánico o inorgánico, viva o muerta
(Mobley, 1994).

40
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

Dado que el estado coloidal se define como aquel estado de suspensión en el que los
tamaños de partículas no son resolubles ópticamente (esto es, tienen diámetros inferiores
a la longitud de onda de la luz visible, 400 nm − 700 nm), determinar si la materia que
hay en el agua es disuelta o es materia particulada es sencillo, ya que, si hacemos pasar
el agua procedente de una masa de agua a través de un filtro cuyo tamaño de poro es de
0,4 μm, toda la materia que sea capaz de atravesarlo será considerada materia coloidal o
disuelta, y la que sea retenida por el filtro, materia particulada.
El agua pura del mar contiene varias sales disueltas; el efecto de éstas sobre la absor-
ción en el rango visible es insignificante, aunque es probable que incremente (en poca
medida) la absorción en las longitudes de onda del ultravioleta. Sin embargo, sí que
incrementa considerablemente la absorción de longitudes de onda largas (λ ≥ 0,1 m),
debido a la conductividad que confieren al agua.
Tanto las aguas dulces como las saladas contienen concentraciones de materia orgá-
nica disuelta, originada por la vegetación muerta, que genera ácidos fúlvicos y húmicos.
Estos compuestos son generalmente de color marrón y, en concentraciones suficientes,
pueden colorear el agua de tonos ocres (en la gama del amarillo al marrón), razón por
la cual se los denomina generalmente materia amarilla o materia orgánica disuelta co-
loreada (también se la conoce como gelbstoff y gilvin o, simplemente, CDOM). La
sustancia amarilla absorbe muy poco en el rojo, pero la absorción se incrementa rápi-
damente para longitudes de ondas más cortas y puede ser significativa en el azul o el
violeta.
La materia particulada tiene dos orígenes diferentes: biológico (orgánico) y físico-
químico (inorgánico).
La materia particulada inorgánica se origina por la acción de fenómenos meteoro-
lógicos sobre rocas y sólidos que los llevan hacia el agua, así como la acción mecánica
del agua sobre las rocas. Está compuesta principalmente por granos de cuarzo, arena,
arcillas y óxidos metálicos en tamaños que oscilan entre 1 − 10 μm.
La materia particulada orgánica se encuentra en muchas formas:

Virus. Sus concentraciones varían desde 1012 − 1015 partículas m−3 . Estas partículas
son generalmente mucho más pequeñas (20 − 250 nm) que la longitud de onda de
la luz visible. A pesar de su cantidad, no tienen influencia en la absorción y en la
dispersión de la luz (Mobley & Stramski, 1997).

Coloides. Partículas coloidales inertes cuyo tamaño varía entre 0,4 − 1,0 μm, y cuya
concentración típica es de 1013 partículas m−3 , o de 1015 partículas m−3 para ta-

41
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

maños inferiores a 0,1 μm. Parte de la absorción tradicionalmente atribuida a la


materia disuelta es debida a los coloides. Además, contribuyen considerablemente
a la dispersión por efecto Tyndall.

Bacterias. Las bacterias vivas tienen un tamaño que oscila entre 0,2 − 1,0 μm con una
concentración típica que varía entre 1011 − 1013 partículas m−3 . Las bacterias in-
tervienen en los procesos de retrodispersión y absorción en aquellas aguas con
escaso fitoplancton.

Seston. Se trata de la materia que se encuentra en suspensión en las aguas naturales y


que tiene tamaños entre 1 μm y 100 μm. Está formada por:

Plancton. Son los organismos vivos:

• Fitoplancton: conjunto de especies planctónicas de carácter vegetal. Una


clasificación sencilla y simplificada puede ser la división del fitoplanc-
ton en: algas unicelulares, algas cianofíceas y flagelados fotosintéticos,
aunque existe una gran variedad de especies, tamaños, formas y con-
centraciones (ver página 20 y siguientes). El tamaño de la célula varía
desde 1 μm hasta 200 μm y algunas especies forman cadenas mayores
de células individuales.
• Zooplancton: conjunto de especies planctónicas formado por larvas, pe-
queños invertebrados, protozoos, etc.

Tripton o materia particulada inerte.

• Detritus orgánico: partículas orgánicas inertes de varios tamaños que


son producidas, por ejemplo, cuando el fitoplancton muere y sus células
se fragmentan, o cuando el zooplacton se nutre del fitoplacton y deja
fragmentos de células y restos fecales.
• Detritus inorgánico: partículas inorgánicas (arcillas, restos de sílice,
etc.)

Partículas grandes. Son partículas mayores de 100 μm, formadas principalmente por
pequeños animales vivos con tamaños que pueden alcanzar hasta los 2 cm; influ-
yen principalmente en la retrodispersión de la luz.

42
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

100

10

aw (m−1)
1

0.1

0.01
300 400 500 600 700 800 900 1000

λ (nm)

Figura 2.4. Coeficiente de absorción del agua pura (calculado a partir de Segelstein, 1981).

5. PROPIEDADES ÓPTICAS DE LOS CONSTITUYENTES DE LAS AGUAS


NATURALES

El coeficiente de absorción, a, caracteriza la absorción de la luz por unidad de lon-


gitud en el medio y se puede descomponer como suma de distintas contribuciones:

a(λ) = aa (λ) + a f (λ) + ass (λ) + amd (λ)


La luz en el medio acuático es absorbida por el agua (aa ), por el fitoplancton (a f ), por la
materia particulada (es decir, por los sólidos en suspensión (ass ), sin incluir la absorbida
por el fitoplancton) y por la materia orgánica disuelta (amd ). Esta absorción depende,
además, de la longitud de onda (Kirk, 1980; Prieur y Sathyendranath, 1981: Kishino et
al., 1984; Roesler y Perry, 1995).
En las figuras 2.4-2.7 se representan los coeficientes de absorción del agua pura, agua
con materia orgánica disuelta y algunos de los pigmentos presentes en el fitoplancton.
La respuesta del espectro de absorción de una masa de agua contiene contribuciones
de todos los elementos que la componen, como se puede ver en el ejemplo de la figura
2.8.
El coeficiente de dispersión, b, caracteriza la dispersión de la luz por unidad de longi-
tud en el medio. La dispersión de la luz se produce hacia delante (prodispersión —b f (λ),
“forward”—) y hacia atrás (retrodispersión —bb (λ), “backward”—). El coeficiente de
dispersión es la suma de ambos (Kirk, 1989):

b(λ) = b f (λ) + bb (λ)

43
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

8 8

7 (a) 7 (b)
6 6
aw (m−1 )

aw (m−1 )
5 5

4 4
Particulada Particulada
3 Agua 3 Agua
2 Soluble 2 Soluble
1 1

0 0
300 400 500 600 700 800 300 400 500 600 700 800

λ (nm) λ (nm)
8 8

7 (c) 7 (d)
6 6
aw (m−1 )

aw (m−1 )
5 5

4 4

3 Agua 3 Agua
2 Soluble 2 Soluble
1 1 Particulada
Particulada
0 0
300 400 500 600 700 800 300 400 500 600 700 800

λ (nm) λ (nm)

Figura 2.5. Espectro de absorción de fracciones solubles y particuladas de aguas continentales Australianas
(adaptado Kirk, 1994): (a) lago George, (b) lago Burley Griffin, (c) presa de Corin, (d) presa de Burrinjuck.

Clorofila−a

Clorofila−b
aacetona

350 400 450 500 550 600 650 700 750

λ (nm)
Figura 2.6. Espectros de absorción de clorofilas: clorofila-a y clorofila-b (espectros patrón del HPLC,
Agilent Technologies).

44
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

Zeaxantina

Luteina
aacetona
Peridinina

350 400 450 500 550 600

λ (nm)
Figura 2.7. Espectros de absorción de algunos pigmentos carotenoides: zeaxantina, luteina y peridinina
(espectros patrón del HPLC, Agilent Technologies).

2.5

2
aw (m 1)

1.5 Soluble
Agua
1

0.5
Particulada
0
300 400 500 600 700 800

λ (nm)
Figura 2.8. Comparación de las propiedades de absorción espectral de las diferentes fracciones en agua de
un estuario del sur de Australia – Lago King, Victoria. El fitoplancton estaba presente a un nivel
correspondiente a 3,6 mg m−3 de clorofila-a y la turbidez del agua era ∼ 1,0 NTU (adaptado de Kirk,
1994).

45
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

La prodispersión y la retrodispersión son producidas por el agua y por el total de partícu-


las que existen en la misma; por lo tanto, estos coeficientes, a su vez, son la suma de los
coeficientes de prodispersión y retrodispersión del agua (b f a y bba ) y de las partículas
presentes en ella (b f p y bbp ), y dependen de la longitud de onda (Smith y Baker, 1981):

b f (λ) = b f a (λ) + b f p (λ)


bb (λ) = bba (λ) + bbp (λ)
Sustituyendo sus valores correspondientes, el coeficiente de dispersión total es:

b(λ) = b f a (λ) + b f p (λ) + bba (λ) + bbp (λ)


El coeficiente de dispersión varía en función del tipo de agua. La pendiente de la curva
que describe su comportamiento, según la longitud de onda, decrece con el aumento de
la turbidez del agua. En general, este coeficiente se calcula siguiendo la ley λ−n , donde
el valor concreto de n varía de un autor a otro (véanse Morel y Prieur, 1977; Phillip y
Kirk, 1984; Francisko y McCormick, 1994; Berwald et al., 1995; Lindell et al., 1999).
Asumimos la más reciente, que relaciona el coeficiente de dispersión con la longitud de
onda según la relación:

b(λ) = b(580 nm) · (580 nm/λ)0,5

El coeficiente de retrodispersión es igual al 2 % de la dispersión (Kirk, 1994):

bb (λ) = 0,02 · b(λ)

El espectro de reflectancia depende del coeficiente de absorción y de retrodispersión,


y del análisis de los espectros de los diferentes elementos que hay en el agua, se llega a
las siguientes conclusiones:

1. La reflectancia de una masa de agua a longitudes de onda por encima de 1000 nm


es muy pequeña (R  0) debido a que el agua absorbe toda la energía que le llega.

2. Entre 700 nm y 1000 nm sólo existe un pico de reflectancia en torno a 805 nm que
identifica la cantidad de sólidos en suspensión que existen en esa masa de agua.

3. Entre 400 nm y 700 nm, la reflectancia nos dará información de la existencia de


todos los pigmentos fotosintéticos que están presentes y, en consecuencia, del tipo
de microalgas en el agua.

46
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

1.2

1.0

0.8

0.6

0.4

0.2

0.0
400 500 600 700 800 900
Longitud de onda (nm)

Figura 2.9. Ejemplos de espectros de reflectancia de masas de agua naturales (Peña et al., 2004).

1.2

1.0

0.8

0.6

0.4

0.2

0.0
400 500 600 700 800 900
Longitud de onda (nm)

Figura 2.10. Espectros de reflectancia normalizados de Cianofíceas respecto a un espectro en el que no hay
un bloom. Aquellos espectros mayores que 1 corresponde a masas de agua con bloom de cianobacterias
(Peña et al., 2004).

4. La reflectancia de una masa de agua a longitudes de onda por debajo de 400 nm


depende de la cantidad de materia amarilla y seston que haya en ella; normamente
esta respuesta también será muy pequeña.

6. LIMNOLOGÍA MEDIANTE TELEDETECCIÓN

La teledetección ha permitido realizar diversos estudios de masas de agua continen-


tales mediante imágenes multiespectrales (Domínguez, 2002). Sin embargo, la identi-
ficación de pigmentos mediante teledetección sólo se ha podido realizar a partir de la
década de 1990 con la aparición de las imágenes hiperespectrales del sensor AVIRIS
(Richardson et al., 1990). Esta línea de trabajo se ha mejorado con el tiempo (Aguirre-

47
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

1.2

1.0

0.8

0.6

0.4

0.2

0.0
400 600 800 700 800 900
Longitud de onda (nm)

Figura 2.11. Espectros de reflectancia normalizados de Diatomeas (Peña et al., 2004).

1.2

1.0

0.8

0.6

0.4

0.2

0.0
400 600 800 700 800 900
Longitud de onda (nm)

Figura 2.12. Espectros de reflectancia normalizados de Criptofíceas (Peña et al., 2004).

Gómez, 2001), permitiendo identificar el grupo de algas existentes en las masa de agua,
sin olvidar que las imágenes hiperespectrales han permitido obtener algoritmos para la
cuantificación de otros pigmentos, como puede ser la ficocianina, pigmento característi-
co de las cianobacterias (Verdú et al., 2005).
Para realizar un estudio de calidad de agua con teledetección es necesario tener en
cuenta el tipo de sensor (que puede ser activo, como el Radar o el LiDAR, o, más co-
munmente, pasivo), su resolución (la distancia mínima que puede distinguir) y las di-
mensiones de la masa de agua a estudiar. Para elegir la resolución del sensor hay que
tener en cuenta que:

En aguas oceánicas (en aguas profundas y lejos de la costa) se pueden utilizar


sensores de baja resolución espacial (centenares de metros o superiores).
En aguas epicontinentales pueden utilizarse, para grandes masas de agua, sensores
de baja resolución espacial, pero lo normal es utilizar sensores de media y alta

48
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

(decenas de metros o inferiores).

Una vez determinada la resolución espacial, se analiza el objetivo del trabajo y se deter-
mina el rango espectral a utilizar (visible, infrarrojo cercano o térmico).

6.1. Calidad de agua mediante sensores pasivos

La utilización de sensores pasivos permite estudiar dos rangos espectrales bien de-
terminados y diferenciados:

1. Infrarrojo térmico (longitudes de onda entre los 3,5 μm y los 20 μm)

2. Visible e infrarrojo cercano (longitudes de onda entre los 0,4 μm y los 3 μm).

La Agencia Espacial Europea (ESA), realizó a principios de la década de 1990 un estudio


de los parámetros de calidad de aguas oceánicas y de cuáles eran los sensores remotos
adecuados para estudiarlos en función de la resolución espectral y espacial, así como
su extrapolación y aplicación a aguas epicontinentales en función de las características
espaciales de la masa de agua a estudiar (las conclusiones, actualizadas a la época actual,
se resumen en la tabla 2.1, adaptada de Schmitt, 1993).
Los sensores diseñados para el estudio de las aguas oceánicas pueden ser utilizados
para estudios de aguas epicontinentales, puesto que su resolución espectral es adecuada
para la observación de las variables de calidad de agua (pigmentos, sólidos en suspen-
sión, etc.). Sin embargo, es necesario que las resoluciones espacial y radiométrica sean
las adecuadas para la dinámica y extensión de la masa de agua bajo estudio. Actual-
mente, se dispone de otros sensores aptos para este tipo de estudios, ya sean aerotrans-
portados, como son los DS-1268 y CASI, o a bordo de plataformas orbitales, o como
los SeaWiFS (Sea-viewing Wide Field-of-view Sensor), MODIS (MODerate-resolution
Imaging Spectroradiometer), MERIS (Medium Resolution Imaging Spectrometer, a bor-
do del satélite ENVISAT), Thematic Mapper (TM, a bordo de los satélites Landsat),
IKONOS, Quick Bird o World View 2.

Temperatura superficial de masas de agua mediante sensores pasivos

La teledetección espacial usa el rango del infrarrojo térmico con una resolución es-
pacial baja (si consideramos el umbral entre resolución alta y baja los 100 m/píxel). La

49
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Tabla 2.1. Características de las masas de agua y sensores adecuados para su estudio. Adaptada de Schmitt (1993).

Parámetros Long. de onda Sensor Bandas Resolución


Temperatura ca. 10,5 − 12,5 μm Landsat-TM 6 120 m
superficial AVHRR 4y5 1,1 km
SEVIRI 2 5 km
ATSR 1 km
CZCS 6 ca. 825 m
MODIS 27-36 1000 m
Sólidos en 440, 520, 550, 670 nm Landsat-TM 1, 2, 3 30 m
suspensión SPOT-XS 1, 2 20 m
AVHRR 1, 2 1,1 km
CZCS 1, 2, 3, 4 ca. 825 m
MODIS 2 500 m
16, 17 1000 m
MERIS 13, 14 300 m
SeaWiFS 8 1100 m
World View 2 NIR1, NIR2 2m
Concentración 443, 520, 550 nm Landsat-TM 1, 2, 3, 4 30 m
de pigmentos SPOT-XS 1, 2, 3 20 m
AVHRR 1, 2 1,1 km
CZCS 1, 2, 3, 4, 5 ca. 825 m
MODIS 3, 4 500 m
8, 12 1000 m
MERIS 2, 3, 4, 5 300 m
SeaWiFS 2, 3, 4, 5 1100 m
World View 2 Blue, Green 2m

ventaja que este rango del infrarrojo térmico ofrece para este tipo de estudios es que se
conoce la relación existente entre la radiancia espectral que llega al sensor y la tempera-
tura de brillo de la superficie del agua en esa longitud de onda (Meliá, 1991; Banderas
y Caselles, 1992); esto ha permitido obtener, para cada sensor, ecuaciones que realizan
dicha transformación de forma automática y fidedigna (Price, 1983; Bartolucci, 1985;
Sobrino et al., 1991). Esta circunstancia ha permitido realizar multitud de estudios de
masas de agua en el infrarrojo térmico con sensores de diferente resolución espacial:

Baja (superior al kilómetro): el sensor más utilizado es el Advanced Very High Re-
solution Radiometer (AVHRR) embarcado en los satélites de la National Oceanic

50
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

and Atmospheric Administration (NOAA) y MetOp del sistema EPS (EUMET-


SAT Polar System), con 1,1 km de resolución espacial. El sensor AVHRR ha ser-
vido para realizar estudios de afloramientos en aguas marinas y sus consecuencias
(Robinson et al., 1992, 1; Tobar et al., 1997; Triñanes et al., 1997; Torres et al.,
1999), así como la estructuración oceánica debido a afloramientos (Sordo et al.,
1999); también se ha usado para la evaluación de la temperatura superficial del
agua, tanto en aguas oceánicas (Robinson et al., 1992, 2; Pérez-Marreno et al.,
1999), como en grandes lagos (Bolgrien et al., 1995).

Media (entre 10 y 1000 m): los sensores más utilizados han sido los que llevan
instalados los satélites Landsat, MultiSpectral Scanner (MSS) y Thematic Mapper
(TM), en sus bandas en el infrarrojo térmico. Con estas bandas se han estudiado
lagos (Ritchie et al., 1990), embalses (Peña y Serrano, 1992; Peña y Serrano, 1994)
y lagunas (Domínguez et al., 1997; Domínguez 1998; Domínguez y Peña, 1999).

Alta (inferior a 10 m): para obtener esta resolución es necesario utilizar sensores
aeroportados, como el Thermal Infrared Multispectral Scanner (TIMS; Anderson,
1992) o el Airborne Thematic Mapper (ATM; Gutiérrez et al., 1994; Peña et al.,
1997). Además de estudiar pequeñas masas de agua, permiten analizar la tempe-
ratura de la superficie de los ríos.

Parámetros de calidad de masas de agua mediante sensores pasivos

El estudio de las masas de agua en el rango visible e infrarrojo cercano se ha desa-


rrollado ampliamente en estudios oceanográficos. Las causas que han propiciado este
desarrollo han sido:

Las inversiones realizadas por el sector pesquero en teledetección.

La simplicidad de la distribución de los componentes que existen en el agua, que


permiten una clara y simple clasificación en dos tipos de aguas marinas: tipo 1 y
tipo 2 (explicadas en la página 22 y siguentes).

Analizada la respuesta de las bandas de los satélites CZCS (Coastal Zone Color Scanner,
de la NASA), ERS–I (European Remote-sensing Satellite, de la ESA), NOAA–K (Natio-
nal Oceanic and Atmospheric Administration), SPOT–3 (Satellite Pour l’Obvservation
de la Terre), así como sus algoritmos, se determinó su idoneidad para el estudio de
aguas tipo 1 (Hoge y Swift, 1986). Los algoritmos desarrollados para el sensor CZCS

51
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

permitieron determinar que las aguas tipo 1 presentan un rango de concentración de clo-
rofila entre 0 y 1,5 mg m−3 , mientras que las aguas tipo 2 poseen valores menores a
10 mg m−3 (McCalin y Yeh Eueng–nan, 1994). Estos algoritmos han permitido estudiar
el comportamiento temporal de la clorofila-a en grandes masas de agua, como el mar
Negro (Nezlin et al., 1999). Otros algoritmos, adaptados al sensor SeaWiFS (O’Reilly et
al., 2000; NASA, 2000), son utilizados para obtener la cartografía temática de la aguas
oceánicas mundiales.
Sin embargo, para aguas epicontinentales, sobre todo para las que son eutróficas e
hipertóficas, es necesario desarrollar nuevos algoritmos para obtener valores de concen-
tración de clorofila-a que se basen en bandas específicas en el rango visible del espectro
(Kondratyev y Filatov, 1999).
Los resultados obtenidos para aguas marinas no son, por tanto, extrapolables a aguas
epicontinentales; la razón es la complejidad de éstas, ya que en ellas existe una gran
cantidad y variedad de compuestos que interaccionan entre sí.

Delimitación de las aguas epicontinentales mediante sensores pasivos.

En primer lugar, hay que seleccionar el sensor a utilizar en función del tipo de es-
tudio que se quiera hacer. Una vez obtenidas las imágenes por el sensor seleccionado,
hay que aplicar las correcciones necesarias (geométrica, atmosférica, etc.). Independien-
temente de la metodología que se emplee en la evaluación de la calidad de las aguas
epicontinentales, en la imagen hay que separar las zonas de agua y de terreno.
La técnica de tratamiento digital utilizada depende del sensor con el que se realice
el estudio, aunque el principio físico es el mismo: la alta absorción de la radiación en el
infrarrojo cercano por el agua; por tanto, la reflectividad en este rango es muy baja. Las
técnicas más utilizadas hasta el momento son:

1. Cociente entre bandas. Si el estudio se realiza con el sensor MSS, y aprovechando


que para aguas claras la banda 4 (entre 0,8 y 1,1 μm, esto es, en el infrarrojo
cercano) es muy oscura, se utiliza el cociente siguiente con la banda 1 (entre 0,5
y 0,6 μm, en el visible):
MSS1 − MSS4
(Philipson y Hafher,1981)
MSS1
Si este cociente es próximo a uno, corresponde a zonas de agua y, si es próximo a
cero, a zonas de tierra.

52
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

Esta técnica se puede extrapolar a aquellos sensores similares al sensor MSS, co-
mo pueden ser el TM, ETM y ATM.
Los investigadores han intentado la medición de la biomasa terrestre mediante
el índice de vegetación de diferencia normalizada, NDV I (normalized difference
vegetation index) (Jensen, 1986; Campbell, 1996):
ρIRC − ρR
NDV I =
ρIRC + ρR
donde ρIRC y ρR son las reflectividades en el infrarrojo cercano y en el rojo, res-
pectivamente. Los resultados del índice pueden variar desde −1 a +1; las super-
ficies con vegetación tienden a tener valores positivos, los suelos desnudos tienen
un valor de NDV I cercano a 0 y el agua los tiene negativos. Este procedimien-
to es satisfactorio cuando el objetivo deseado es medir el vigor vegetal porque la
presencia de vegetación queda muy resaltada, pero no proporciona información
respecto al agua. Sin embargo, si las variables en el numerador se cambian y se
utiliza la banda verde en lugar de la roja, se consigue el objetivo de resaltar sólo
el agua. Se propone el índice de agua de diferencia normalizada, NDW I (norma-
lized difference water index; McFeeters, 1996) como método para conseguir este
objetivo, basándose en los mismos principios del NDV I, y se define como:
ρG − ρIRC
NDW I =
ρG + ρIRC
ρG es la reflectividad para la luz verde.
ρIRC es la reflectividad en el infrarrojo cercano.
El NDW I es facilmente aplicable a los sensores MSS y TM de los satélites Land-
sat.
En el sensor MSS queda definido por el cociente entre valores de reflectividad en
sus bandas 2 y 4:
MSS2 − MSS4
NDW I =
MSS2 + MSS4
y para el sensor TM la definición del NDW I se expresa en términos de la reflecti-
vidad de las bandas 2 y 4 como (Fraser, 1998):
TM2 − TM4
NDW I =
TM2 + TM4
Los valores del NDW I mayores que cero se consideran agua, lo que permite se-
leccionar fácilmente la región acuática de estudio.

53
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

(a) (b)

Figura 2.13. Criterio de umbral a partir del histograma de la banda 4 de una imagen Landsat. (a) Umbral
para zonas de aguas profundas donde no existe influencia del fondo; (b) umbral para zonas de agua con
influencia del fondo.

2. Segmentación de una sola banda, con el fin de aislar las láminas de agua de otras
cubiertas (Engman y Gurney, 1991); se ha empleado con este objetivo el rango
del espectro correspondiente al infrarrojo cercano. En concreto para el sensor TM,
algunos autores consideran que es más fácil utilizar el histograma de la banda 4
que los cocientes (Peña y Serrano, 1992). El criterio normalmente empleado es
el estudio del histograma de la banda 4, con el que se determina un nivel digital
umbral (NDc) que separa las dos modas que presenta el histograma, y a partir del
cual se diferencian claramente la cubierta del agua respecto a las demás (fig. 2.13).

ND < NDc→ agua


ND > NDc→ cubiertas diferentes al agua

Limnología mediante sensores remotos pasivos.

En todo estudio limnológico mediante teledetección, paralelamente a la toma de las


imágenes, se realiza una toma de datos de campo. No existe en la actualidad ninguna
metodología que haga prescindibles los muestreos simultáneos.
El intervalo máximo de tiempo de muestreo en que las condiciones de iluminación,
para un día despejado, se consideran homogéneas es de 3 horas (Lathrop et al., 1991).
Desde un punto de vista limnológico no existe ningún criterio que determine el número

54
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

de puntos a muestrear. Ésta es la razón por la cual, en los trabajos llevados a cabo hasta
ahora, existe una gran diversidad de puntos de muestreo, cuyo número es tomado en
función del área de estudio y de los investigadores que lo realizan:

20 puntos de disco de Secchi y 11 de concentración de clorofila-a en la presa


Flaming Gorge del río Green, en los estados Wyoming y Utah en EE.UU. (Verdin,
1984).

10 puntos de disco de Secchi, concentración de clorofila-a y temperatura super-


ficial por embalse en once embalses en España, entre el 27 de junio y el 15 de
octubre de 1985 (Ortiz y Peña, 1986; Ortiz y Peña, 1987; Ortiz y Peña, 1989).

20 puntos de concentración de clorofila-a en la Albufera de Valencia en España


(Caselles et al., 1987).

20 puntos de concentración de clorofila-a en la Albufera de Valencia en España


(López y Caselles, 1990).

Entre 8 y 47 puntos en varios muestreos realizados para el seguimiento de la turbi-


dez en Bahía Green, al oeste del lago Michigan en EE.UU. (Lathrop et al., 1991).

18 muestras para el estudio de la respuesta espectral de diferentes tipos de sólidos,


realizadas en laboratorio (Chen et al., 1991).

Entre 20 y 40 puntos de diferentes parámetros de calidad de agua en Slapton Ley,


al sur de la costa de Devon en Gran Bretaña (Danson et al., 1991).

31 puntos para el estudio de disco de Secchi y concentración de clorofila-a en el


estuario de Peel–Harvey en el oeste de Australia (Pattiaratchi et al., 1992).

22 puntos de muestreo para el estudio de concentración de sólidos en suspensión


y clorofila-a en el lago Patzcuaro en México (Chacón-Torres et al., 1992).

31 puntos de muestreo para el estudio del estado trófico a partir de la concentración


de clorofila-a y sólidos en suspensión en The Savannah River Site, situado a 40
km al sur de Carolina, sudeste de Augusta, Georgia en EE.UU. (Ramsey III et al.,
1992).

12 puntos en diferentes Norfolk Broads en East England, EE.UU., para el estudio


de concentración de clorofila-a, fósforo, sólidos en suspensión, salinidad, disco de
Secchi y temperatura. (Baban, 1993).

55
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Desde 1983 hasta 1989 se tomaron entre 15 y 450 muestras (según el empla-
zamiento) de concentración de clorofila-a y sólidos en suspensión en diferentes
masas de agua (Gitelson, et al., 1993): ríos Don, North y Donec; embalse de Tci-
miliansk y Ribinsk; mares Negro y Azov; lagos Bajkal, Balaton y Mügelsee, en
Rusia.

28 puntos de muestreo en los embalses del Alto Tajo de Entrepeñas, Buendía y


Bolarque, en España (Peña y Serrano, 1994).

Entre 15 y 26 puntos de muestreo en el estrecho de Estambul entre los mares Negro


y Mármara, en Turquía, para el estudio de concentración de sólidos en suspensión
(Gonga, 1995).

Entre 15 y 22 puntos de muestreo de concentración de clorofila-a, fósforo y disco


de Secchi, durante los veranos de 1987, 1988 y 1990 en el lago Pipsi, situado entre
Estonia y Rusia (Kutser et al., 1995).

90 puntos de muestreo para el estudio de sólidos en suspensión en Middle Waite-


mata Harbour, Auckland en Nueva Zelanda (Gao y O’Leary, 1997).

1 muestra de concentración de clorofila-a en cada uno de los 14 lagos estudiados


en Lake District, Gran Bretaña (George, 1997).

23 puntos de muestreo para el estudio de la turbidez en el lago Branched Oak,


localizado en el centro-este de Nebraska en EE.UU. (Han y Rundquist, 1998).

4 puntos de muestreo en el lago Iseo, Italia, para el estudio de concentración de


clorofila-a y disco de Secchi (Lindell, et al., 1999).

El número de puntos de muestreo en cada estudio varía entre 4 y 450. En las diversas
publicaciones nunca se hace referencia a la razón de la elección del número de puntos
muestreados, dado que suele ser un compromiso entre los criterios estadísticos del estu-
dio (véase el siguiente capítulo 3) y los de planificación y accesibilidad de dichos puntos
de muestreo.
Una vez que se dispone de las imágenes, la metodología seguida para encontrar la
relación entre los parámetros de calidad de agua y las imágenes es diferente:

1. Estudio del color de las imágenes, del color del agua observada in situ y de los da-
tos de calidad de agua (Kondratyev y Pozdnyakov, 1995; Campbell, 1996; Pondn-
yakov et al., 1998).

56
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

2. Establecimiento de relaciones entre los parámetros de calidad de agua obtenidos


simultáneamente a la imagen y los datos de las bandas adecuadas mediante un
análisis de regresión, sea éste simple o múltiple (Sánchez et al., 1993). Los datos
de las bandas se han utilizado de las siguientes formas:

Valores digitales originales de las bandas (Ortiz y Peña, 1989; Peña, 1991;
Peña y Serrano, 1994; Peña et al., 1997; Domínguez et al., 1997).
Relaciones entre las bandas del TM: TM4/TM3 (Chesire et al., 1988), TM1/TM3,
TM2/TM3 (Pattiaratchi, et al., 1992), (TM1 − TM3)/TM2 (Mayo et al.,
1995).
Análisis de componentes principales a partir de las bandas TM1, TM2, TM3
y TM4 (Jensen et al., 1989) o a partir de las bandas XS1, XS2, XS3 del
Satellite Pour l’Observation de la Terre (SPOT) (Chacón-Torre et al., 1992).
Radiancia a partir de las bandas 2 y 3 del ATM (George, 1997).
Reflectividad calculada a partir de las bandas TM1, TM2, TM3 y TM4 (Fra-
ser,1998).

Una vez que se ha realizado el estudio estadístico y se han obtenido las ecuaciones
de regresión, se aplican a la zona de agua estudiada y se obtiene una cartografía
temática para cada una de las variables de calidad de agua (clorofila-a, transparen-
cia, sólidos en suspensión, turbidez, etc.).

3. Análisis espectral. Esta metodología ha evolucionado gracias a la aparición de


nuevos sensores hiperespectrales. Los primeros estudios, realizados a principios
de la década de 1990, consistían en encontrar relaciones entre la respuesta espec-
tral de las bandas de los sensores y los espectros de masas de agua, en las cuales
se habían medido los parámetros de calidad. Un primer estudio determinó que,
para sólidos en suspensión de distintos materiales, había una relación (lineal entre
700 y 1050 nm y logarítmica entre 450 y 700 nm) con la reflectividad, tanto si se
medía con un espectrorradiómetro IRIS como con las 10 bandas del sensor ATM
del Daedalus 1268 (Chen et al., 1991). El estudio de los valores de reflectividad de
sensores de alta resolución espacial y espectral (sensores hiperespectrales) a cier-
tas longitudes de onda determinó relaciones para estimar los parámetros de calidad
del agua. Por primera vez, se encontró una relación para determinar otros pigmen-
tos (en este caso, la cianoficocianina) a partir de una relación de los valores de
reflectividad a las longitudes de onda de las bandas 3, 4 y 5 de los sensores CAE-
SAR y CASI (Dekker, 1993). Una vez determinada la respuesta espectral, una de
las líneas de trabajo iniciadas fue el modelado matemático en dos dimensiones de

57
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

las variables de calidad de agua en lagos poco profundos a partir de los espectros
de los sensores CASI y CAESAR. Se llegó a la conclusión de que utilizar modelos
matemáticos de dos dimensiones era simplificar demasiado la complejidad de un
sistema natural de aguas, aunque fuera pequeño. Por esta razón, para estudios fu-
turos, se aconseja la utilización de modelos matemáticos más complejos (Dekker,
et al., 1996).
El análisis espectral mediante el CASI permitió determinar 10 tipos de fitoplanc-
ton en el estudio del bloom de algas que se produjo en 1993 en el río Swan (Aus-
tralia) (Hick et al., 1998). La información espectral que proporciona este sensor,
y los sensores de alta resolución espectral e hiperespectral, es tan elevada, que
se ha buscado una metodología sencilla y rápida para poder obtener el máximo
de información sobre el fitoplancton de las masas de agua y poder determinar los
pigmentos que lo constituyen. La metodología ha consistido en estudiar la reflec-
tividad y las derivadas de la reflectividad respecto a la longitud de onda. En los
estudios realizados con el sensor CASI, se observa que a 620, 638 y 661 nm se
da la máxima absorción para la clorofila-a y, además, no hay otros pigmentos en
las aguas naturales que absorban en estas longitudes de onda (Maltus y Dekker,
1995); de la misma forma, se encontró que existe relación entre la primera deri-
vada en 429 y 695 nm y la concentración de clorofila-a, mientras que la turbidez
está relacionada con las derivadas del espectro en 429, 628 y 695 nm. Por último,
se comprobó que existía relación entre la turbidez y la concentración de clorofila-
a, o lo que es lo mismo, que la principal causa de la turbidez es la presencia de
algas: ésta es la razón por la que la primera derivada es relevante para clorofila-a
y turbidez casi a las mismas longitudes de onda (Fraser, 1998).

4. Los diversos estudios han proporcionado multitud de correlaciones entre espectros


de reflectividad y variables de calidad de aguas que se pueden aplicar a estudios
en los que se disponga de imágenes y no de datos de campo, siempre que las
condiciones de la adquisición de la imagen sean similares a las de las condiciones
en las que se obtuvieron las ecuaciones (Ruiz-Verdú et al., 2001).

6.2. Calidad de aguas mediante sensores activos

Los sensores remotos activos son aquéllos que detectan la energía procedente de
la interacción entre una señal emitida a una determinada longitud de onda, por ellos
mismos, y la superficie terrestre.
Los sensores activos utilizados son:

58
L IMNOLOGÍA MEDIANTE T ELEDETECCIÓN

LiDaR (Light Detection And Ranging). La utilización de láseres en el rango de


longitud de onda del azul y del verde permite detectar la profundidad y la claridad
de una masa de agua y, por lo tanto, la transparencia de la misma (Lundbrook et
al., 1998; Shoals, 1998).

RADAR (RAdio Detection and Ranging). En aguas muy turbias, en las que los só-
lidos en suspensión se concentran de tal manera que pueden cambiar la rugosidad
de la superficie, se podría utilizar un sensor radar para relacionar éste con varia-
bles limnológicas relativas a la turbidez (afloramientos de algas, concentración de
sólidos o transparencia medida mediante el disco de Secchi). La metodología se-
ría similar a la utilizada en el rango visible: mediante un muestreo simultáneo al
paso del sensor se tomarían las muestras de la variable limnológica, que se re-
lacionaría con la imagen RADAR. Esta metodología se utilizó en el estudio del
lago Ónega (Rusia): se muestreó el lago simultáneamente con el paso del satélite
Almaz (Cosmos-1870), que llevaba a bordo un sensor SAR (Synthetic Aperture
Radar, radar de apertura sintética). Se tomaron valores de transparencia mediante
el disco de Secchi y se relacionaron con los valores obtenidos por el sensor SAR
del Almaz, obteniéndose una relación significativa entre ellos. El origen de la co-
rrelación obtenida estaba en los afloramientos de algas del lago, que variaban la
rugosidad de la superficie observada por el sensor. Todo esto permitió obtener una
cartografía temática del disco de Secchi a partir de la imagen SAR. (Naumenko et
al., 1994).

59
C APÍTULO 3

ADQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

La metodología para realizar la toma de muestras de campo es clara y se puede


dividir en:

Planificación del muestreo.

Toma de datos de campo.

Análisis de los datos.

1. PLANIFICACIÓN

La planificación es la fase de mayor importancia, ya que de ella depende que los


datos obtenidos en el muestreo sean fiables y, en consecuencia, utilizables desde un
punto de vista científico. En toda planificación siempre hay que contestar a las siguientes
preguntas:

1. ¿Cuál es el objetivo del muestreo?

2. ¿Qué variables se van a medir y cómo?

3. ¿En cuántos puntos se van a tomar muestras?

4. ¿Cuándo se va a realizar el muestreo?

La respuesta a las preguntas anteriormente planteadas determina el muestreo. Sin em-


bargo, contestar a estas preguntas no es fácil, ya que depende de diversos factores y, en
algunos casos, hay que llegar a compromisos que hay que tener en cuenta en el análisis
de los resultados.
Considérese el siguiente caso real1 para ilustrar el procedimiento a seguir, contestan-
do cada una de las preguntas anteriormente planteadas.

1
Estudio de lagunas de gravera, campaña del año 2000, Dominguez (2002).

61
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

1. El objetivo de esta campaña de toma de datos era adquirir espectros de reflectivi-


dad de las masas de agua que se pudieran relacionar con variables de calidad de
agua para analizar dichas características mediante teledetección y poder realizar
su seguimiento con esta técnica.
La primera pregunta planteada fue: ¿qué masas de agua?. La respuesta a esta pre-
gunta es: aquéllas que se parezcan más a un tanque artificial controlado. Un tanque
artificial, una vez llenado, sufre muy pocas variaciones. Esto significa que las ma-
sas de agua buscadas para este estudio particular no deberían recibir aportes de
agua superficiales y además deberían tener unas dimensiones que el sensor a uti-
lizar pudiera observar.
La segunda pregunta planteada fue: ¿qué sensor utilizar para el estudio?. Para
contestar se podían seguir dos criterios diferentes. El primero sería elegir aquel
sensor que, por sus características de resolución radiométrica, espectral, espacial y
temporal, fuese más adecuado para estudios de masas de agua (en el momento del
muestreo). Según un segundo criterio, utilizaríamos aquel sensor capaz de estudiar
las masas de agua y realizar estudios temporales (más de 20 años, aunque, por ello,
no se dispusiera de las mejores características en cuanto a resolución espectral). El
primer criterio proporcionaría, en la actualidad, dos candidatos: el CHRIS-Proba
y, en la actualidad, el WorldView-2. Sin embargo, en el momento de la campaña, y
según el segundo criterio, los únicos candidatos serían la serie Landsat y aquellos
sensores aerotransportados con su misma configuración espectral. Por esta razón
se decidió trabajar con imágenes Landsat.
2. Las variables a medir se pueden separar en:

a) Variables físicas del agua: son aquellas que determinan las propiedades apa-
rentes (reflectividad y coeficiente de atenuación) e inherentes (coeficiente de
absorción y retrodispersión) del agua. Además no debemos olvidar la tempe-
ratura; para estudios de teledetección sólo podemos estudiar la temperatura
superficial de la masa de agua.
b) Variables biológicas de calidad de agua: son aquéllas que determinan la parte
viva existente en el agua (fitoplacton) y la materia muerta (sólidos en suspen-
sión y materia orgánica disuelta). El estudio del fitoplacton se realiza a partir
de los pigmentos fotosintéticos existentes, siendo la clorofila-a el pigmen-
to más ubicuo, por lo que su concetración es un parámetro característico en
el estudio. La materia muerta se caracteriza estudiando los sólidos en sus-
pensión, que son las partículas que no se disueven en el agua, y la materia
orgánica disuelta o materia amarilla, que corresponde a las particulas orgá-
nicas disueltas en el agua. A nivel macroscópico, los sólidos en suspensión

62
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

se pueden caracterizar mediante dos variables: la turbidez, medida con un


turbidímetro en NTU (nephelometric turbidimeter units), y la transparencia,
medida como profundidad del disco de Secchi, en metros.

3. El número de puntos en los que se van a tomar muestras, así como las caracterís-
ticas que debe tener la distribución de dichos puntos, se deciden en función del
objetivo del estudio y del tiempo disponible para el mismo.
El intervalo del número de muestras tomadas en los diversos trabajos revisados es
amplio (entre 4 y 450) y sin ningún criterio aparente; por lo tanto, es necesario
determinar el número de muestras a realizar y establecer, si es posible, un criterio,
teniendo en cuenta que, desde el punto de vista de la teledetección, existe un in-
tervalo establecido en el que las condiciones de iluminación son adecuadas. Para
un día despejado, se considera que son 3 horas (Lathrop et al., 1991).
Al no encontrar una respuesta clara a la pregunta sobre el número de puntos, ba-
sada en consideraciones limnológicas, y teniendo en cuenta la limitación de las 3
horas, el problema se plantea con un criterio estadístico de la siguiente manera:
¿Cuál es el número de medidas N que se deben realizar para que el nivel de con-
fianza sea del 95 % y el error de estimación no exceda de ε?
La primera consideración estadística a tener en cuenta es qué teoría utilizar, la
teoría de grandes muestras o la de pequeñas muestras (Spiegel, 1974):

a) N ≥ 30: teoría de estimación de grandes muestras.



La fórmula a emplear es ε = zc σ/ N
ε error permitido en el muestreo
σ desviación típica
zc coeficiente de confianza tabulado
N número de medidas N = (zc σ/ε)2
zc = 1,96 para un nivel de confianza del 95 %.
Los errores de estimación de la medida y la desviación típica dependen de la
variable a medir. Por ejemplo, en aguas muy turbias el disco de Secchi puede
ser de 10 cm. En estas condiciones, que son las peores de visibilidad del dis-
co de Secchi, se ha observado que se puede cometer un error de 1 cm (error
ε del muestreo), siempre que la medida la realice un mismo observador. Si
el observador cambia, la medida puede variar hasta 3 cm, razón por la cual
la desviación típica σ se considera de 3 cm.
Tomando, para medir la profundidad del disco de Secchi que ε = 1 cm y
σ = 3 cm, el número de medidas necesarias será:

63
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

N = (1,96 × 3 cm/1 cm)2  35 por lo tanto N ≥ 30


b) N < 30: teoría de pequeñas muestras. Conviene utilizar la distribución χ2
(chi-cuadrado) en lugar de la t (Student), ya que proporciona unos intervalos
de confianza más anchos.
En este caso, la fórmula a emplear es ε2 = χ2N−1 σ2 /N. Utilizando el mismo
ejemplo, se obtiene que, para N = 23, y suponiendo la misma σ = 3 cm, y
usando el valor tabulado χ222 = 36,8, el valor de ε viene dado por

ε = 36,8 × 9/23 = 3,8 cm

La distribución de los puntos en los que se van a tomar muestras requiere la si-
guiente condición necesaria para que el muestreo sea válido en un amplio inter-
valo: elegir la variable de concentración de clorofila-a y el rango usual de trabajo
entre valores muy bajos (cercanos a 0 mg/m3 ) y altos (próximos a los 100 mg/m3 ,
aunque pueden existir masas de agua con valores superiores que estarían engloba-
das entre las masas de agua hipertróficas).

4. El muestreo se puede realizar cuando esté todo el material a punto, es decir com-
probado, verificado y funcionando correctamente. Habría que asegurarse de haber
obtenido previamente los permisos de acceso y navegación, así como disponer de
la embarcación adecuada y haber estudiado el acceso con ella al agua.

Teniendo en cuenta estas premisas, se escogieron para el estudio las lagunas de gravera,
que no tienen aportes superficiales. Existe un gran número de ellas en el Parque Re-
gional del Sureste, cercanas a la ciudad de Madrid, en las cuales se encuentra una gran
diversidad de estados eutróficos. Siguiendo los criterios estadísticos, de accesibilidad,
de dimensiones y de estado de eutrofia (laguna de Las Madres oligotrófica, laguna de
El Campillo eutrófica, laguna de El Porcal hipereutrófica) se determinaron dos posibles
distribuciones de puntos de muestreo:

1. N < 30: teoría de pequeñas muestras. Los puntos de muestreo se podrían distribuir
de la siguiente manera:
Laguna de El Porcal: 11 muestras (48,83 % del total).
Laguna de El Campillo: 9 muestras (39,13 % del total).
Laguna de Las Madres: 3 muestras (13,04 % del total).

N = 11 + 9 + 3 = 23 < 30

64
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

2. N ≥ 30: teoría de grandes muestras. Los puntos de muestreo se podrían distribuir


de la siguiente manera:
Laguna de El Porcal: 18 muestras (50 % del total).
Laguna de El Campillo: 14 muestras (40 % del total).
Laguna de Las Madres: 4 muestras (10 % del total).

N = 18 + 14 + 4 = 36 > 30

La fecha más adecuada para realizar un muestreo es el verano, ya que es la época de


mayor actividad biológica en las masas de agua epicontinentales. Una vez que se tienen
resueltas todas las cuestiones para la planificación, sólo hay que determinar una fecha
para realizar el muestreo. Además, habrá que estudiar previamente la disponibilidad de
los datos de satélite necesarios para nuestro estudio en el lugar y el momento en el que
se pretende efectuar el muestreo. Las órbitas futuras del satélite se pueden consultar
mediante programas libres proporcionados por las agencias espaciales, como el Eoli-sa
de la ESA 2 . Una vez evaluados todos estos aspectos relacionados con la planificación,
las fechas elegidas para este estudio fueron los días 3 y 4 de julio de 2000.
Determinada la fecha del muestreo, así como el número de puntos a muestrear, queda
por concretar la ubicación de los mismos, espacial y temporalmente. La proximidad de
explotación de El Porcal y la zona recreativa de Las Madres, lugares donde se encuentran
dos de las tres lagunas, sugirió que las medidas en ambas fuesen realizadas el mismo día,
aunque el número de puntos fuera mayor. El comienzo del muestreo se planificó para
las 11 horas y con finalización a las 13 horas, de forma que se dispusiera de una hora
de margen, a utilizar si hubiera algún retraso en el desplazamiento o apareciera algún
imprevisto.
El día 3 de julio de 2000 se realizó el muestreo de la laguna de El Campillo y el día
4 de julio del 2000 el de las lagunas de El Porcal y de Las Madres; de esta forma, el
primer día sirvió para familiarizarse con el entorno (por ejemplo, para buscar los lugares
más apropiados para introducir la barca) y poder resolver cualquier imprevisto dentro del
tiempo determinado de muestreo. Este tipo de planificación permite disponer de tiempo
para verificar las muestras tomadas durante el primer día y optimizar la toma de muestras
del día siguiente.
La localización de los puntos de muestreo en las lagunas de gravera se realizó sobre
la imagen georreferenciada ATM (banda 7), que era, en aquel momento, la información

2
http://earth.esa.int/EOLi/EOLi.html

65
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 3.1. Puntos de muestreo propuestos para el día 4 de julio de 2000 en la Laguna de Las Madres.

Figura 3.2. Puntos de muestreo propuestos para el día 3 de julio de 2000 en la Laguna de El Campillo.

Figura 3.3. Puntos de muestreo propuestos para el día 4 de julio de 2000 en la Laguna de El Porcal

más precisa de que se disponía. Esta localización en el mapa permite ubicar los puntos
en el campo mediante GPS (véanse las figuras 3.1-3.3).

66
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

Figura 3.4. Revisión del material de filtrado y toma de muestras de clorofila-a, botes opacos para que la luz
solar no interfiera y no degrade la muestra, sistema de filtrado (rampa de filtrado, bomba, filtros, etc.) y
cuaderno de campo.

2. TOMA DE DATOS DE CAMPO

Una vez todo preparado, al fin llega el día esperado. Lo más recomendado es que el
día anterior se verifique el lugar por donde se va a echar la barca y que todos los accesos
se encuentren en el lugar señalado en la planificación; también que todo el material esté
preparado para ir en la barca, etc.
La realidad es que en muchas ocasiones no se pueden controlar todas las condiciones,
y aparecen imprevistos que pueden afectar al muestreo, como una bajada del nivel del
agua, que el lugar por el cual se tiene pensado echar la barca esté inundado o seco, etc.
En esos momentos hay que improvisar y resolver la situación de la mejor forma y lo más
rápidamente posible.
La profundidad del punto de muestreo se mide mediante una ecosonda. Esta infor-
mación permite estudiar la influencia del fondo en la respuesta espectral.

2.1. Variables físicas

La adquisición de las variables físicas difiere entre las propiedades ópticas aparentes
e inherentes del agua. Sin embargo, en multitud de ocasiones no se deja constancia de la
medida más sencilla, es decir, del color del agua: cualquier tipo de fotografía dará una
primera información de las características físicas del agua (figuras 3.6).
La presencia de fitoplacton (microalgas) proporciona al agua un color característico

67
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 3.5. Traslado de la embarcación para poder realizar el muestreo. Tablas de Daimiel (22/05/2006).

verde o rojo; este fitoplancton es muy abundante en las aguas continentales españolas.
La abundancia de sólidos en suspensión hace que el color del agua tome tonos marrones,
principalmente, debido a la disolución de arcillas. El tercer componente que proporciona
color al agua es la materia orgánica disuelta, responsable del color amarillento de ésta. En
las aguas continentales españolas no abunda la materia orgánica disuelta, aunque existen
ejemplos, como la laguna de Las Madres (Doñana) y Las Tablas de Daimiel (cuando
el humedal tiene agua), en las que se da la descomposición húmica de la vegetación.
La materia orgánica disuelta es característica de masas de agua rodeadas de grandes
extensiones de bosque, como sucede en las aguas de países nórdicos. El color del agua
en ausencia de fitoplacton, sólidos en suspensión y materia orgánica amarilla, y siempre
teniendo en cuenta que no se vea el fondo, es azul.

Propiedades Físicas Aparentes

Las propiedades físicas aparentes normalmente medidas son la reflectividad del agua
(R(0+ , λ)) y el coeficiente de atenuación difusa descendente (Kd (λ)).
Una caracterización completa del modo de reflexión de una superficie se obtiene
mediante el factor de reflectividad bidireccional (BRDF), definido como el cociente en-
tre la radiancia reflejada ([Lu ] = W m−2 nm−1 sr−1 ) y la irradiancia incidente ([Ed ] =
W m−2 nm−1 ) (Nicodemus et a, 1977). La comunidad oceanográfica denomina a este
factor reflectividad remota (Rrs , remote sensing reflectance) y se utiliza, en lugar de la
reflectividad (cociente entre la irradiancia reflejada y la irradiancia incidente), para tener
en cuenta la anisotropía del medio (Milton, E.J. et al., 2007).

68
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

Figura 3.6. Microalgas verdes y rojas, río Manzanares (superior-izquierda). Materia orgánica disuelta, las
Tablas de Daimiel (18 de julio de 2007) (superior-derecha). Masa de agua caracterizada por ausencia de
materia orgánica disuelta, fitoplacton y sólidos en suspensión, Mar Mediterráneo, Cabo de Gata
(centro-derecha). Típico color de sólidos en suspensión en el agua, laguna de Velilla (laguna de gravera;
inferior).

69
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 3.7. Dispositivo para la determinación de la reflectancia. Descripción del instrumental y los ángulos
de medida (superior-izquierda). Medida de la radiancia solar (superior-derecha). Medida de la radiancia
procedente del agua (inferior-izquierda): el ángulo azimutal respecto al sol (135◦ ) se determina con la
sombra de la barra; el águlo cenital del FOV se fija a 40◦ . Medida de la radiancia procedente del cielo
(inferior-derecha). [Tomado de Peña et al., 2006].

La medida de la radiancia que procede del agua, desde una cierta distancia fuera
de ella, (Ls f c ) consta de dos flujos energéticos: uno el procedente del interior del agua
(Lw ) y otro debido a la energía difusa procedente del cielo (Lsky ) que es reflejada por
la superficie del agua. La fracción de luz difusa reflejada, ρ, depende de los ángulos
cenitales y acimutales de observación y solar, y de la velocidad del viento. En el caso
de una superficie de agua totalmente plana, ρ equivaldría a la reflectivdad de Fresnel
(Mobley, 1999; CEDEX, 2006).

Ls f c (λ, θ, Φ ∈ ΩFOV , θ0 ) = Lw (λ, θ, Φ ∈ ΩFOV , θ0 ) + ρLsky (λ , θ , Φ ∈ ΩFOV , θ0 )

70
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

λ es la longitud de onda.

θ es el ángulo cenital de observación para la medida de Ls f c , que normalmente


se elige entre 30 y 50◦ . El ángulo recomendado en los protocolos de la NASA es
θ = 45◦ .

θ es el ángulo de medida de Lsky . Es el mismo que el de la medida de Ls f c (45◦ )


pero en vez de medirse desde el cenit se mide desde el nadir.

Φ es el ángulo acimutal de observación para la medida de Ls f c . Es el ángulo aci-


mutal con respecto a la posición del Sol. El ángulo recomendado por la NASA es
de 135◦ .

Φ es el ángulo acimutal para la medida de Lsky : Φ = Φ.

ΩFOV es el ángulo sólido que delimita el campo de visión (field of view, FOV) del
radiómetro. La notación Φ ∈ ΩFOV indica que el FOV está centrado en torno al
ángulo Φ.

La radiancia reflejada por el agua se puede obtener como:

Lw = Ls f c − ρLsky

La reflectividad desde fuera del agua será

Rrs = (Ls f c − ρLsky )/Es

donde Es es la irradiancia solar. Ls f c , Lsky y Es se pueden medir directamente con un


coseno-receptor o usando un panel lambertiano calibrado (spectralon, ASD-FR). Este
último método es más rápido y preciso (Toole et al., 2000). La elección de un spectralon
gris del 25 %, al presentar una reflectividad del mismo orden que la del agua, reduce el
error de calibrado. Rrs se puede medir a partir de las medidas del spectralon

Rs f c = Ls f c /Lsun
Rsky = Lsky /Lsun
Es = πLsun

Sustituyendo en la ecuación anterior,

1
Rrs = (Rs f c − ρRsky )
π

71
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN





  









    


  

 
  
 


Figura 3.8. Reflectividad media calculada para las lagunas de El Campillo ([Cla] = 25,92 mg/m3 ;
[SS] = 16,36 mg/l; SD = 1,21 m), Las Madres ([Cla] = 0,61 mg/m3 ; [SS] = 1,76 mg/l; SD = 4,02 m) y
El Porcal ([Cla] = 81,46 mg/m3 ; [SS] = 16,99 mg/l; SD = 0,62 m) (31 de julio de 2000).

ρ se obtiene introduciendo la velocidad del viento (que se mide en campo) y los valores
de los ángulos cenitales solares y de observación en un modelo de transferencia radiativa
(Mobley, 1999). Un ejemplo de estas medidas se puede ver en la figura 3.8.
En campo, la medida de las reflectividades se realiza a partir de las tres medidas de
radiancia: la radiancia solar, la radiancia procedente del agua y la procedente del cielo.
Éstas se miden en un intervalo de tiempo corto para que las condiciones de iluminación
no se vean alteradas. El orden de medida es indiferente, pero en un muestreo repetido es
importante mantenerlo.
Por ejemplo, la primera medida puede ser la radiancia solar. Una vez realizada esta
medida, lo más rápido es medir la radiancia que procede del agua. Para ello, en el dispo-
sitivo de la figura 3.7, se gira la plataforma donde está el spectralon para que el FOV de
8◦ , colocado en el extremo de la fibra óptica, reciba la energía procedente del agua. Por
último, se mide la radiancia procedente del cielo. En este caso, es importante contar con
las condiciones metereológicas adecuadas: sin nubes, ni olas ni viento.
La medida de la irradiancia se realiza colocando en la fibra óptica un coseno receptor
subacuático y midiendo, a diferentes profundidades, la energía que llega (fig. 3.9). El
comportamiento de la energía radiante dentro del agua viene determinado mediante la
ley de Lambert-Beer (fig. 3.10a):

Ed (λ, z) = Ed (λ, 0− ) e−τd

72
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

Figura 3.9. Medida de irradiancias desde una embarcación. Se puede ver el soporte en forma de “T”
(equilibrado por dos pesos) hasta el que llegan las fibras ópticas a través de las que se miden Ed (brazo
izquierdo) y Eu (brazo derecho).

Ed (λ, z) Irradiancia incidente a la profundidad z y a la longitud de onda λ.


Ed (λ, 0− ) Irradiancia en la superficie interior del agua (z = 0) y a la longitud de onda
λ.
τd = Kd (λ)z Espesor óptico, siendo Kd (λ) el coeficiente de atenuación difusa a la
longitud de onda λ que describe la disminución de la irradiancia ambiental en el medio
acuático; aproximadamente el 90 % de la luz que llega a un sensor reflejada por una masa
de agua procede del primer espesor óptico, dado por la condición τd = 1.
Varios ejemplos de Kd (λ), calculados de este modo, se muestran en la figura 3.10b.

Transparencia

La transparencia del agua se expresa normalmente como la profundidad de visión


del disco de Secchi. Se trata de un disco blanco (aunque se puede usar de otros colores,
o sectores de colores diversos) y de un diámetro suficiente para que no se vea bajo un
ángulo demasiado pequeño antes de desaparecer: ordinariamente se usa de 30 cm para el
mar y 20 cm para lagos de aguas menos transparentes (ver figura 3.11). Se deja descender
en el agua pendiente de una cuerda y se anota la profundidad a la que se deja de ver. La

73
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

   




















 








Ed= 0.0226 exp(−3.038 Z) 


      




 
(a) (b)

Figura 3.10. (a) Comportamiento de la luz a 430 nm a partir de los datos de la figura 2.3. Se observa que
la atenuación de la luz en el primer medio metro es mayor que en los dos siguientes intervalos. El
coeficiente de atenuación difusa se determina por regresión de Ed (z) respecto a Z profunidad (m):
Ed (0− ) = 0,0226 W m−2 nm−1 , Kd = 3,04 m−1 . (b) Valores espectrales de Kd .

observación mejora si se procura que la superficie del agua esté a la sombra o si se usa
una caja con fondo de vidrio que haga de ventana de observación.
La medida del disco de Secchi es importante ya que la muestra a filtrar para determi-
nar la concentración de pigmentos fotosintéticos corresponde al primer espesor óptico
que equivale aproximadamente a 0,6 veces la profundidad medida por el disco de Secchi.

3. ANÁLISIS DE PIGMENTOS FOTOSINTÉTICOS

En esta sección se estudiarán los métodos de extracción y cuantificación de las dos


clases de pigmentos fotosintéticos más importantes: las clorofilas y las ficobiliproteínas.
La extracción y cuantificación de estos pigmentos se realiza mediante metodologías dife-
rentes dadas sus diferentes características químicas y, sobre todo, su diferente solubilidad
en medios hidrofílicos. Así, para la extracción de clorofilas, se usan disolventes apola-
res por ser éstas liposolubles, sin embargo para la extracción de ficobilinas se requieren
extractantes acuosos dado el carácter hidrosoluble de estas proteínas. De igual modo, la
metodología para determinar la concentración de las clorofilas y de ficobiliproteinas son
también diferentes.

74
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

Figura 3.11. Disco de Secchi usado en Limnología (izquierda) y en Oceanografía (derecha).

3.1. Clorofilas (por Covadonga Alonso y Ana Alonso)3

La determinación de la concentración de clorofila-a se puede llevar a cabo mediante


los métodos espectrofotométrico (aplicando la fórmula tricromática) y HPLC (high per-
formance liquid chromatography, cromatografía líquida de alta resolución). No obstante,
en ambos métodos el primer paso es el filtrado de la muestra.

Extracción de clorofila-a: fórmula tricromática

La determinación de la concentración de clorofila-a se realiza en el laboratorio me-


diante el método de extracción en acetona al 90 %, seguido de la valoración fotométrica
de Parsons, a través de su fórmula tricromática (Strickland y Parsons, 1972). La elección
de este método se debe a (Sartory, 1975):

Su utilización es recomendable cuando existe bastante diversidad en las poblacio-

3
Ana Alonso y Convadonga Alonso son coordinadora de proyecto técnico-científico y jefa del laboratorio de calidad
de Aguas, e investigadora, respectivamente, en el Centro de Estudios Hidrográficos (CEH-CEDEX).

75
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 3.12. Filtrado de las muestras: primer paso para la extracción de pigmentos fotosintéticos ya sea
mediante formula tricromática o mediante HPLC.

nes o se desconoce su diversidad.

El error que se comete en la obtención de la clorofila-a es inferior al 3 %.

El tiempo para realizar esta operación debe ser el mínimo que permita el muestreo.
Las muestras, que tras su recogida han sido guardadas en botes opacos (para evitar el de-
terioro de los pigmentos por la luz solar), se filtran utilizando filtros de fibra de 0,7 μm.
En este proceso, un factor importante es el volumen de agua a ser filtrado: si la masa
de agua es turbia, ya que en un principio no se puede clasificar según su estado trófico,
un volumen de 1 litro es suficiente, mientras que en el caso de aguas claras se necesita
un mínimo de 2 litros para obtener suficiente cantidad de residuo seco. Para su conser-
vación, los filtros con el plancton se pueden guardar en un desecador oscuro a −20◦ C,
pero sólo durante pocas semanas (con el fin de mantener la muestra en el mejor estado
posible, es conveniente realizar este paso de un día para otro).
Se prepara una disolución de acetona al 90 % que se utilizará como disolvente. Se
ponen 10 ml de acetona en los diversos tubos donde se va a realizar la disolución, se
colocan los filtros en los tubos de acetona y se tritura el contenido; para que la disolución
se realice adecuadamente, se centrifuga a 2000 r.p.m.

76
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

Conectado el espectrofotómetro en modo de medida de absorbancia, y una vez listo


para poder medir (se tiene que esperar un pequeño intervalo de tiempo para que se ca-
liente y estabilice), se pone el blanco de referencia, que corresponde a una muestra con
acetona al 90 %. Este cero hay que comprobarlo cada cierto tiempo (se aconseja que se
realice cada 10-12 muestras). La cantidad de clorofila-a se determinará, a partir de la
medida de la absorbancia (Aλ ) a las longitudes de onda de 665, 645 y 630 nm, mediante
la fórmula tricromática de calibración del espectrofotómetro:

M[mg] = k665 A665 − k645 A645 − k630 A630

donde las k665 , k645 y k630 son constantes de calibración particulares del espectrofotó-
metro.4 La concentración de clorofila-a viene determinada por el cociente de la masa de
clorofila-a retenida (M) y el volumen (V ) de agua filtrado:

[Cla](mg m−3 ) = M/V

Normalmente, el espectrofotómetro suele estar en el laboratorio, y hay que llevar las


muestras en nitrógeno líquido o en hielo seco hasta él.

HPLC: pigmentos fotosintéticos

La HPLC es, hoy por hoy, el método de cuantificación más preciso para clorofilas y
carotenoides. Previamente a la extracción de pigmentos fotosintéticos, se realiza la to-
ma de muestras y el filtrado, tal como se describió en el apartado anterior. Las muestras
son transportadas al laboratorio en nitrógeno líquido para su posterior análisis, desarro-
llándose este proceso en dos etapas bien diferenciadas: la extracción de pigmentos y el
análisis de pigmentos por HPLC.

Extracción de pigmentos.

El proceso de extracción con acetona dura aproximadamente dos días. Consiste en


un proceso de sonicación, centrifugación y posterior filtración para retirar la materia
particulada y los restos celulares (Latasa et al., 1998).

4
Los espectrofotómetros están estandarizados, de forma que se pueden tomar: k665 = 11,6, k645 = 1,31 y k630 = 0,14
(American Public Health Organization, 1995)

77
i i

“libroTeledeteccionUNED” — 2011/10/6 — 21:04 — page 78 — #72


i i

E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Se describen a continuación las etapas


del mismo:

Extracción del filtro. Los filtros que


han sido congelados y almacenados
en el nitrógeno líquido en unos tu-
bos especiales para almacenamien-
to criogénico, crioviales estancos, se
extraen, con sumo cuidado utilizando
guantes especiales, con unas pinzas y
se colocan en sendos tubos de la cen-
trífuga correspondiente, hasta que al-
canza la temperatura ambiente.

Sonicación del filtro. Se añaden al


tubo de la centrífuga 3 ml de aceto-
na, disolvente de extracción, y 50 μl
de Cantaxantina como patrón de re-
ferencia. Se sonica por ultrasonidos,
1 minuto en un baño de hielo, tapan-
do previamente los tubos para evitar
la evaporación del disolvente y se ta-
pan con papel de aluminio para evitar
su foto-oxidación.

Preservación del filtro. Los tubos de


centrífuga, anteriormente sonicados,
se mantienen en la oscuridad, en la
nevera, durante 24 horas hasta com-
pletar la extracción.

Centrifugación. Los tubos con los


pigmentos ya extraídos se centrifu- Figura 3.13. Esquema del proceso de extracción.
gan después de 24 horas, a 4◦ C y a
4000 r.p.m. durante 20 minutos.

78

i i

i i
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

(a) (b)

Figura 3.14. (a) Filtro de extracción de pigmentos en el que se aprecia el material con pigmentos (de color
verde) retenido en el filtro (que inicialmente es blanco, como se puede ver en el anillo exterior que no ha
tenido contacto con la muestra). (b) Contenedor de nitrógeno líquido.

Filtración. 1 ml de la alícuota obtenida en la centrifugación, se filtra a través de un


filtro de jeringa de carcasa de polipropileno con membrana de acetato de celulosa
de 0,2 μm, directamente a un vial de vidrio topacio, para su posterior análisis por
HPLC, al que se le han añadido previamente 300 μl de agua destilada para diluir
el extracto.

Análisis de pigmentos por HPLC.

Una vez extraída la muestra como se ha descrito en el apartado anterior, se analiza


con un equipo de cromatografía de líquidos de alta resolución, HPLC, con muestreador
automático y detector de red de diodos (DAD, diode array detector).
Los materiales utilizados para el estudio analítico son:

Patrones certificados de pigmentos fotosintéticos.

Hidroxi-tolueno butilado (BHT).

Acetato de Amonio.

79
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 3.15. Laboratorio de calidad de aguas del CEH-CEDEX: HPLC, DAD (diode array detector) y
FLD (detector de fluorescencia, flourescence detector).

Acetato de etilo, acetonitrilo y metanol, filtrados previamente a través de filtros de


teflón de 0,45 μm.

Agua destilada.

Las condiciones cromatográficas utilizadas en el análisis de pigmentos fotosintéticos


en fase reversa son las siguientes:

Columna de HPLC de 250 mm de longitud, 4,6 mm ID diámetro interno, 5 μm


tamaño de partícula.

Precolumna de HPLC, 12,5 mm × 4,6 mm ID, 5 μm.

Flujo, a 1 ml min−1 .

Temperatura 26◦ C.

La separación cromatográfica se realiza estableciendo en la bomba cuaternaria de alta


presión un programa a un flujo constante de 1 ml min−1 y con un gradiente de elución
con una fase móvil formada por tres disolventes distintos, para favorecer así la separa-
ción de los diferentes pigmentos, que se describe en la tabla 3.1.

80
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

Tabla 3.1. Gradiente de Elución.


(1) : Metanol/Acetato de amonio 0,5M 80/20 + BHT 0,01 %
(2) : Acetonitrilo/agua: 90/10 + BHT 0,01 %
(3) : Acetato de Etilo

Tiempo (min) % de (1) % de (2) % de (3)


0.0 100
2.0 100
4.0 100
18.0 20 80
21.0 100
22.0 100
23.0 100
24.0 100

Para cuantificar los distintos pigmentos, se utilizan las longitudes de onda de trabajo
de 407, 436, 454, 468 y 507 nm (cada una, con un ancho de banda 4 nm). Además se es-
tablece en el equipo de DAD, una longitud de onda elevada, donde el analito no absorbe,
que se usa de referencia (en este caso, 550 nm). La señal que muestra el equipo para el
cromatograma es la diferencia entre la absorción de la muestra y la de esta referencia.
La cuantificación se realiza por el método del “patrón externo”, utilizando la canta-
xantina como patrón de referencia para ajustar los tiempos de retención de los distintos
pigmentos, que son objeto de estudio, y ver las posibles pérdidas en el proceso de ex-
tracción de las muestras.
Los cálculos utilizados para cuantificar las muestras se expresan en la siguiente ecua-
ción:

1 Vinyectado rc Vextracción
C= AF
100 Vinyectado muestra Vmuestra filtrada

A: área del pico cromatográfico (en unidades de miliabsorbancia por segundo5 , mAu/s)
F: factor concentración/área del pico cromatográfico (concentración en mg/l, área
en mAu/s)
Vinyectado rc : volumen inyectado en la muestra de patrones usados para confeccionar
la recta de calibración (150 μl)

5
Au: Absorption units

81
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Tabla 3.2. Principales pigmentos de referencia utilizados en la cuantificación por HPLC, con indicación de sus
longitudes de onda de absorción (λtraba jo ), tiempos de retención (tr , en minutos) y los grupos taxonómicos que
identifican.

Pigmento tr λtraba jo Grupo taxonómico


Peridinin 9,72 468 Dinoflagelados
Fucoxantina 10,97 468 Diatomeas (algo en dinoflagelados)
Neoxantina 11,61 436 Euglenofíceas (algo en clorofíceas)
Violaxantina 12,83 454 Clorofíceas
Alloxantina 14,13 454 Criptofíceas
Luteína 15,3 454 Clorofíceas
Zeaxantina 15,51 454 Cianobacterias
Clorofila-b 17,05 454 Clorofíceas (algo en euglenofíceas)
Clorofila-a 17,95 436 Todos
Feofitina-a 20,32 407 Todos
Cantaxantina 15,96 436 Cianobacterias

Vextracción : volumen del extracto (3000 μl de acetona).


Vinyectado muestra : volumen inyectado de la muestra (150 μl).
Vmuestra filtrada : volumen de la muestra de agua filtrada (dato de campo, en ml).
C: concentración (en μg/l).
En la tabla 3.2 se detallan los patrones de referencia utilizados en la cuantificación,
así como los tiempos de retención en minutos, de cada uno de los pigmentos analizados
y sus respectivas longitudes de onda en nm.
La identificación de los pigmentos se realiza a través de los datos de elución de los
pigmentos puros individuales, los tiempos de retención y los espectros de absorbancia
en UV obtenidos en el DAD, como se puede observar en la figura 3.16.

3.2. Ficobilinas o Ficobiliproteínas (por Antonio Quesada6 )

El método de extracción de las ficobilinas se realiza mediante la técnica del choque


osmótico. Este choque osmótico se produce por la imbibición de la muestra en glicerol
y la aplicación de agua destilada, lo que rompe las membranas celulares. Las ficobilinas

6
Antonio Quesada es profesor titular en el Departamento de Biología de la Universidad Autónoma de Madrid.

82
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

Figura 3.16. Espectros de absorbancia en el ultravioleta de los pigmentos detectados por el DAD.

de las células quedan, de esta manera, en disolución acuosa en el exterior de las células.
En primer lugar, las células se separan del medio que las rodea mediante filtración
suave, tal y como se explica en el apartado de las clorofilas. Este filtro se mantiene
congelado a la temperatura más baja posible, bien en nieve carbónica, bien en nitrógeno
líquido, para evitar la degradación de las células. Una preservación prolongada a −20◦ C
es ineficiente y, habitualmente, conduce a la degradación de las ficobilinas.

Extracción y análisis de ficobiliproteinas

Las ficobiliproteínas son moléculas de naturaleza hidrofílica (polar) que no pueden


analizarse mediante HPLC como las clorofilas y los carotenoides. Las ficobilinas requie-
ren un método de extracción distinto, al encontrarse formando parte de unos complejos
(ficobilisomas) inmersos en los tilacoides de las células algales.
La metodología empleada para el análisis de ficobiliproteínas consta de diversas eta-
pas:

83
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Extracción. Las muestras naturales se filtran in situ sobre filtros de fibra de vidrio
(grado GF/F) hasta conseguir la saturación del filtro. Los filtros se congelan in
situ en nitrógeno líquido y se conservan en el laboratorio en un criocongelador a
−72◦ C. Se descongelan y se fragmentan en trozos pequeños con tijeras. Una vez
cortado el filtro se introduce en tubos de plástico de 10 ml donde se añaden 0,33 ml
de glicerol puro, homogeneizándolos durante aproximadamente 30 segundos hasta
la obtención de una pasta homogénea, mediante el empleo de un homogeneizador
consistente en un pistón (varilla metálica acabada en una punta de teflón realiza-
da expresamente para adaptarse a los tubos y permitir optimizar el proceso) y un
motor de torque ajustable. Sin retirar el pistón del tubo, se mantienen las muestras
en oscuridad y a temperatura ambiente durante dos horas, para permitir la actua-
ción del glicerol. Transcurrido dicho tiempo se añaden 3 ml de agua destilada para
producir un choque osmótico (adaptado de Wyman y Fay, 1986) y se procede a su
homogeneización de nuevo mediante el método explicado con anterioridad.

Centrifugación. A continuación se centrifugan las muestras empleando una cen-


trífuga. La muestra se centrifuga a 14000 r.p.m. durante 10 minutos.

Filtración. El sobrenadante obtenido se filtra a través de filtros de jeringa de acetato


de celulosa de 25 mm de diámetro y 0,2 μm de diámetro de poro, para retirar los
fragmentos más pequeños de tilacoides y que, por tanto, la presencia de clorofila
interfiera lo menos posible en la absorbancia de las ficobiliproteínas medida por el
espectrofotómetro.

Medida de absorción. Una vez filtradas las muestras, se realiza un espectro de ab-
sorción del extracto de ficobiliproteínas de cada muestra midiendo la absorbancia
desde 750 nm hasta 400 nm, en un espectrofotómetro de doble haz, respecto a un
blanco de glicerol:agua en proporción 1:9.

Todo el proceso de extracción, centrifugación, filtración y medida se repite una segunda


vez con los restos de la extracción previa para asegurarse de que las ficobiliproteínas se
extraen completamente. Resultados previos demuestran que, entre la primera y segunda
extracción, se logra el 95 % de eficiencia en el proceso. Ambos extractos se miden por
separado y su contenido se calcula adicionando ambos contenidos.
Para el cálculo de la concentración de ficobiliproteinas se utilizan las fórmulas de
Bennett y Bogorad (1973):
c-ficocianina(mg/ml) = (A615 − 0,474 A652 )/5,34
a-aloficocianina(mg/ml) = (A652 − 0,208 A615 )/5,09

84
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

r-ficoeritrina(mg/ml) = [A562 − (2,41 [c-fico]) − (0,849 [c-alofico])] /9,62


Habitualmente, para el cálculo de la concentración total sólo se tiene en cuenta el
valor de la c-ficocianina, ya que, en la mayor parte de las ocasiones, la presencia de
ficoeritrina es muy baja y el error producido al considerarla es mayor que al no consi-
derarla, por las interferencias que puede mostrar con restos de clorofila. Sin embargo,
en ocasiones, sobre todo en presencia de Planktothrix rubescens, la concentración de
ficoeritrina es elevada y es necesario considerarla ya que tiene implicaciones bioópticas
importantes. Para obtener la concentración final de cada una de las muestras se suman
los valores obtenidos de cada una de las extracciones y se refieren al volumen total.

4. CONCENTRACIÓN DE SÓLIDOS EN SUSPENSIÓN (POR COVADONGA


ALONSO Y ANA ALONSO)

Se utiliza, habitualmente, la técnica introducida por Franson (1989). Las muestras


recogidas se introducen en botes que, a diferencia de los usados para la determinación
de la concentración de clorofila-a, pueden ser transparentes (figura 3.17). Para este pro-
ceso, se utilizan filtros de fibra de 0,45 μm, que previamente son desecados y pesados,
colocándolos en una estufa entre 105 − 110◦ C durante 30 minutos, y posteriormente in-
troduciéndolos en un desecador durante una hora, donde se enfrían; más tarde, se pesan
en una balanza de precisión. Las muestras se filtran y el filtro, con los sólidos retenidos,
vuelve a pasar por un proceso similar de desecación y pesado, con la diferencia de que
permanece tres horas en la estufa. La diferencia entre los pesos de los filtros antes y
después del filtrado es la cantidad de sólidos en suspensión (Cs). La concentración de
sólidos en suspensión, [Ss], viene determinada por la cantidad de materia pesada dividida
por el volumen de agua filtrada (V ):

Cs (μg)
[Ss](mg/l) = 1000
V (l)

5. FITOPLANCTON

Para caracterizar el fitoplancton mediante análisis microscópico, se toman muestras


de agua y se fijan con lugol en el momento de la toma (disolución de yodo y yoduro
potásico en agua, figura 3.17). Posteriormente, el contenido de fitoplancton de la muestra
fijada, especies presentes y abundancia de las mismas, se caracteriza por microscopía
(ver figura 3.18).

85
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 3.17. Bote de muestras (translúcido) para determinación de sólidos en suspensión (izquierda).
Fijación de una muestra para el análisis de fitoplancton con lugol (derecha).

3 5
5
2 1 2
5
1
2 2

4 1

Figura 3.18. Fotografías de microscopía del muestreo de las lagunas de Las Madres, El Campillo y El
Porcal, Parque del Sureste, Madrid (julio 2000) en las que se muestran algunos especímenes del
fitoplancton (1: cianofíceas, 2: dinoflagelados, 5: clorofíceas) y el zooplancton (3: copépodos, 4: rotíferos).

86
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

6. MATERIA ORGÁNICA DISUELTA Y COLOIDAL (MATERIA HÚMICA,


MATERIA AMARILLA, GELBSTOFT, GILVIN O CDOM)

Las materias orgánicas coloidales y disueltas (materia húmica) presentes en la na-


turaleza son conocidas porque absorben la luz en el rango ultravioleta y azul (Briucaud
et al., 1981), dando lugar al color amarillo del agua, razón por la cual se las conoce por
sustancias amarillas, o materia orgánica disuelta coloreada (CDOM, coloured disolved
organic matter) o Gelbstoff. El método utilizado para su medida implica medidas de la
absorbancia de la muestra filtrada en longitudes de onda del ultravioleta cercano y del
visible; la longitud de onda más utilizada son 440 nm, con una corrección de la disper-
sión a 740 nm. Las muestras de agua son antes filtradas, con un filtro de fibra de vidrio
con tamaño de poro de 0,22 μm. Las medias de absorción se llevan a cabo con un espec-
trofotómetro cuyo rango espectral comprende el ultravioleta y el visible (por ejemplo,
260 − 760 nm) y en una cubeta con una longitud determinada (por ejemplo, 40 mm). El
resultado de la medida es el coeficiente de absorción, expresado en m−1 .
Para la calibración de fluorímetros de CDOM se aplica el siguiente método (Lindell
et al., 1999). En primer lugar, se determina el coeficiente de absorción aparente, χλ ,
como

χλ = 2,3303 Aλ /r
donde Aλ es la medida de la absorbancia en la longitud de onda λ, y r es la longitud de
la cubeta en metros. El coeficiente de absorción verdadero, aλ , se determina entonces
mediante

 
L
aλ = χλ − χL
λ
donde χL es el coeficiente de absorción aparente a longitud de onda larga (L), que suele
elegirse en los 740 nm, y χλ es el coeficiente de absorción aparente en una longitud de
onda λ, de 340 nm o 420 nm.

7. SONDAS MULTIPARAMÉTRICAS

Dado que el 90 % de la luz que va a detectar el sensor remoto procede del primer
espesor óptico, conviene adquirir in situ la distribución de las variables de calidad de
agua en la columna de agua. Actualmente, y como alternativa a los métodos de toma de
muestras y análisis anteriormente explicados, que requieren el traslado de las muestras al

87
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 3.19. Resultado del perfil realizado con la sonda multiparamétrica.

laboratorio, se emplean las sondas multiparamétricas que realizan medidas simultáneas


de varios parámetros, incluyendo la profundidad de medida de éstos. De este modo, se
dispone en tiempo real de los datos (figura 3.19) y se minimiza el tiempo de medida.
La sonda multiparamétrica más elemental consiste en
un CTD (sonda de medida simultánea de la conductividad,
la temperatura y la profundidad), un turbidímetro y un fluo-
rímetro de [Cla], CDOM (figura 3.20), etc., que están co-
nectados y colocados en lo que normalmente se denomina
“jaula”, debido al soporte de protección que lleva (figura
3.21).
Las sondas multiparamétricas tienen un factor limitan-
te, que es el peso de la sonda. Para su uso, normalmente, se
utiliza un torno, manual o eléctrico.
La última tendencia en sondas multiparamétricas con-
Figura 3.20. Fluorímetro de siste en incorporar instrumentos simultáneos de medición
CDOM.
de propiedades inherentes y aparentes del agua, como pue-
de ser un fotómetro PAR (que mide la radiación entre
400 nm y 900 nm), y sondas de parámetros biológicos.

88
A DQUISICIÓN Y ANÁLISIS DE DATOS DE CAMPO

(a) (b)

Figura 3.21. Sonda multiparamétrica: (a) CTD, fluorímetros de clorofila y ficocianina, y turbidímetro. (b)
PAR, CTD, DH4 y bb9.

89
C APÍTULO 4
SOFTWARE LIBRE DE LA ESA (BEAM)

El software Basic ERS & Envisat (A)ATSR and MERIS Toolbox, más conocido
como BEAM, se encuentra enmarcado dentro del proyecto BEAM, cuyo primer objetivo
fue generar una plataforma informática de visualización y análisis de imágenes de los
sensores ópticos del satélite ENVISAT (plataforma VISAT).
Para entender la generación de éste y otros softwares libres de la Agencia Espacial
Europea (ESA), hay que remontarse a 1992, cuando los estados miembro de la ESA
animaron al director general de la agencia a que lanzara un programa de actuaciones de
apoyo a los usuarios que utilizarían los datos de los nuevos sensores de observación de
la Tierra que la ESA tenía programado instalar en el satélite ENVISAT, dando lugar al
programa “Data User Programme” (DUP).
El concepto de “usuarios de las imágenes” ha evolucionado y, en la actualidad, se
piensa en los usuarios como en aquellas personas o entidades que, de algún modo, pue-
den utilizar o trabajar con las imágenes de satélite, y no simplemente quien las va a
procesar para obtener productos derivados. Por lo tanto, debemos entender como usua-
rios, desde aquella persona que tiene una necesidad de “observar la Tierra”, hasta las
instituciones que deben tomar decisiones de forma rápida y eficaz debido a las diversas
situaciones que cada día muestra la naturaleza.
Desde entonces, diversos grupos de investigación de los países miembros de la ESA
trabajan para cumplir el objetivo que marcó a principios de la década de 1990 el director
de la ESA1 . Este trabajo permite que BEAM sea un software libre de teledetección, que
día a día va creciendo y mejorando sus prestaciones para dar el servicio requerido por
los usuarios.
La instalación de BEAM es sencilla: se accede a la página http://www.brockmann-
consult.de/cms/web/beam, se selecciona “downloads”, “software”, se elige el sistema
operativo y se instala. Es una instalación rápida, sencilla y sin problemas. También se
tiene acceso, desde la misma página, a algunas imágenes de prueba (“Sample Data”),
aplicaciones desarrolladas (“Plug-Ins”) y a versiones anteriores del software (“Archi-
ve”). El sitio web es amigable y rápido, y permite descargar todas las aplicaciones que

1
http://envisat.esa.int/resources/softwaretools/

91
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.1. Ficheros de BEAM en formato DIM.

se necesiten si están desarrolladas, o incluso sugerir nuevas a desarrollar. Una vez insta-
lado el software BEAM, sólo queda empezar a trabajar.
Los usuarios que llevan trabajando con BEAM varios años (y, por lo tanto, han ma-
nejado varias versiones) han sido testigos de las sucesivas mejoras. Al principio, BEAM
sólo podía importar ficheros de los sensores ópticos de ENVISAT, generando un fichero
con la extensión “.dim” (fig. 4.1), cada vez que se guardaba la imagen, o parte de ella,
que había sido leída mediante el comando “Import”. Los ficheros en formato DIM sólo
indican dónde se encuentra la información, que se guarda en una carpeta con el mismo
nombre que el fichero DIM y extensión “.data” (fig. 4.2).
Si se quiere conocer la estructura del producto guardado, sólo hay que abrir la carpeta
“.data” (fig. 4.2). También se puede ver dicha información si abrimos el fichero DIM
con un editor de texto (como el block de notas). Esta filosofía de separar el fichero DIM
de los datos mismos, ha hecho posible que las nuevas versiones puedan incorporar la
exportación de las imágenes a otros formatos de archivo, como el GeoTiff y HDF52 .
Las principales mejoras incorporadas en las nuevas versiones corresponden a la im-
portación y exportación de formatos. El objetivo es que BEAM pueda ser un software
usado en teledetección, no sólo para imágenes de ENVISAT, sino también para imágenes
procedentes de otros sensores de Observación de la Tierra.
BEAM está desarrollado sobre el entorno VISAT, que es el entorno gráfico que pro-
porciona y gestiona las ventanas y menús que se utilizan para la selección de los distintos
productos, visualización, acceso a sus distintas bandas, metadatos, etc. BEAM es el con-
junto de funciones que permiten la lectura de estos productos, su procesamiento con los
algoritmos incluídos, la creación de otros productos nuevos, etc. El entorno gráfico mos-

2
Para utilizar el formato HDF5 (versión 5 del Hierarchical Data Format) es necesario tener instalados los módulos
HDF Library y HDF5 Product Writer.

92
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.2. Fichero DIM y carpeta data adjunta que guarda las imágenes e información de dicho fichero
(superior). Ficheros de imágenes e información de la carpeta data (inferior).

trado en todo momento es VISAT, mientras que las herramientas disponibles son parte
de BEAM.

IMÁGENES MERIS

Para ilustrar el uso de BEAM/VISAT, se utilizarán imágenes del sensor MERIS (ME-
dium Resolution Imaging Spectrometer) a bordo del satélite ENVISAT-1.
MERIS es un espectrómetro programable de resolución espectral media que opera
en el rango espectral correspondiente a la reflexión de la luz solar en la superficie te-
rrestre. A través de comandos enviados desde Tierra es posible programar quince bandas
espectrales, cada una de ellas con un ancho y una localización en el espectro óptico den-
tro del rango que va desde los 390 a los 1040 nm. El instrumento escanea la superficie
terrestre por el llamado método “push broom”, cubriendo una franja de 1150 km con una
resolución espacial de 300 m en el nadir, y con una resolución temporal de tres días, por
lo que sus imágenes ofrecen gran información para aquellos estudios que abarcan una
gran superficie. MERIS está diseñado para adquirir datos sobre la Tierra sólo cuando
las condiciones de iluminación son las adecuadas. Su resolución espectral de 15 ban-
das permite observar el color de los océanos y suministra las características biofísicas y

93
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Tabla 4.1. Bandas del sensor MERIS, características y aplicaciones para las que fueron concebidas.

Número de Centro Ancho de Usos según diseño


banda (nm) Banda
(nm)
Banda 1 412.5 10 Pigmentos de sustancia amarilla y detritos
Banda 2 442.5 10 Máxima absorción de la clorofila
Banda 3 490 10 Clorofila y otros pigmentos
Banda 4 510 10 Sedimentos suspendidos, mareas rojas
Banda 5 560 10 Mínima absorción de la clorofila
Banda 6 620 10 Materia en suspensión
Banda 7 665 10 Absorción de la clorofila y fluo.
Referencia
Banda 8 681.25 7.5 Pico de fluorescencia de la clorofila
Banda 9 705 10 Fluo. reference, atmospheric corrections
Banda 10 753.75 7.5 Vegetación, nubes
Banda 11 760.625 3.75 Banda de absorción del O2 (R-branch)
Banda 12 775 15 Correcciones atmosféricas
Banda 13 865 20 Vegetacion, referencia del vapor de agua
Banda 14 885 10 Correcciones atmosféricas
Banda 15 900 10 Vapor de agua, tierra

la composición química del agua en las regiones costeras: evaluación de concentracio-


nes de fitoplancton, detección de polución marina, administración de las aguas costeras,
gestión pesquera (ver tabla 4.1).
Los productos proporcionados por MERIS son distribuidos por la ESA en diferentes
niveles de procesamiento:

Nivel 0: nivel digital

Nivel 1b: imágenes de radiancia TOA (Top Of Atmosphere) en el sensor.

Nivel 2: imagen corregida a valores de reflectancia usando una corrección atmosférica


desarrollada por la ESA.

Nivel 3: productos de cartografía temática derivados del procesamiento de las imágenes


de Nivel 2.

El nombre de cada producto contiene toda la información sobre su origen. Por ejemplo:

94
BEAM SOFTWARE LIBRE DE LA ESA

MER-_FR_1PNEPA20060623_104736_000000982048_00452_22550_5877.N1

MER: imagen MERIS


FR: imagen adquirida a máxima resolución (Full Resolution, 300 m)
1P: nivel de procesamiento (1b)
N: imagen adquirida en tiempo real
EPA: imagen generada en el centro de Archivo y Proceso de datos en España
20060623_104736: fecha y hora de inicio de adquisición (el día 23 de junio de 2006 a
las 10 horas, 47 minutos, 36 segundos)
00000098: duración de toma de datos (en segundos)
2048_00452: imagen adquirida en el ciclo 48 de la segunda fase de la misión y es la
órbita 452 dentro de dicho ciclo
22550: número de órbita absoluta
5877: número de productos generados hasta la fecha
N1: formato de la ESA para todos los productos de instrumentos en ENVISAT-1.

Esta especificación, y otras sobre el sensor MERIS, se pueden encontrar en la página de


la ESA: http://envisat.esa.int/instruments/meris/

1. APERTURA Y VISUALIZACIÓN DE IMÁGENES

Existen distintas formas de abrir una imagen desde VISAT:

“Open”, permite seleccionar la imagen que se quiere estudiar y abrirla.

“Reopen”, abre una imagen visualizada anteriormente.

“Import”, abre una imagen usando como criterio el tipo de imagen que se desea
abrir. Al seleccionar este botón se puede elegir uno de los distintos tipos de imágenes
que BEAM puede importar, tal como se muestra en la figura 4.3.

95
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.3. Tipos de imágenes que BEAM/VISAT puede importar.

“Product Grabber”, previsualiza todas las imágenes de un directorio dado y sus


subdirectorios, si se hace recursivamente. Para abrir una de ellas en VISAT, se hace doble
click sobre la imagen seleccionada. Para abrir varias a la vez, se seleccionan todas las
imágenes de interés y se abren desde el botón “Open”.
Para abrir las imágenes desde el “product grabber” es necesario seguir los siguientes
pasos:

1. Se selecciona el directorio donde se encuentran las imágenes ( ): Este paso abre


un explorador que permite navegar por los directorios.

2. Se selecciona la búsqueda recursiva si existen subdirectorios con otras imágenes

3. La herramienta abre una nueva ventana que previsualiza las imágenes del directo-
rio seleccionado, tal como se muestra en la figura 4.4.
Para cada producto, se muestran el nombre, el tamaño del fichero, las propiedades
básicas, una visualización rápida y su localización. Se puede ampliar la imagen o
su localización seleccionando la visualización rápida del producto elegido.

96
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.4. Apertura de productos desde El Product Grabber que previsualiza todas las imágenes que se
encuentran bajo un directorio.

4. Es posible abrir una o varias imágenes en VISAT:

a) Para abrir una sola imagen es necesario colocarse sobre ella y hacer doble
click.
b) Para abrir varios ficheros, se pueden seleccionar todos a la vez y abrir con-
juntamente con el botón “Open” ( ).

Con cualquiera de estas opciones se abre la imagen desde VISAT. Una vez seleccionados
los productos a estudiar, es necesario visualizarlos. Las imágenes además de ser visuali-
zadas en escala de grises, que es el modo en que VISAT las muestra por defecto, pueden
ser compuestas en color natural o en falso color.
El color natural es aquel que vería el ojo humano. Se puede conseguir utilizando las
bandas que contienen información sobre la radiación emitida por la superficie terrestre
en el rango óptico. Para obtener una composición en color natural, es necesario elegir
una banda en el rango del rojo para el canal rojo, una banda en el rango del verde para
el canal verde, y una banda en el rango del azul para el canal azul.

97
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.5. Selección de bandas para crear una composición RGB.

En el procesado de imágenes de satélite, se generan a menudo imágenes en falso


color, con el objetivo de mejorar la percepción de determinados detalles de la superficie.
Una imagen en falso color es una representación artificial de una imagen multiespectral.
Una combinación, comúnmente utilizada, es la selección de una banda en el infrarrojo
cercano para el canal rojo, una banda en el rojo para el canal verde y una banda en el
verde para el canal azul.
VISAT permite mostrar las imágenes en falso color o en color natural desde el menú
“View→Open RGB Image View”, que abre el diálogo mostrado en la figura 4.5, en el
que es posible elegir la banda, o combinación de bandas, que se asignará a cada canal.

Esta selección se puede guardar para su posterior utilización desde el botón . Al


aceptar la selección se abre la imagen con la composición de color seleccionada. Por
ejemplo, para las bandas mostradas en la figura 4.5, se visualizaría el producto de la
figura 4.6 (superior): esta combinación de bandas imita el color natural. Sin embargo,
si se eligiesen las bandas 14, 7 y 4 para los canales RGB, respectivamente, se obtendría
una imagen en falso color, tal como se muestra en la figura 4.6 (inferior).
Al visualizar la imagen según este criterio (R=infrarrojo cercano, G=rojo, B=verde),
se pueden distinguir las siguientes cubiertas:

1. Rojo-Magenta: vegetación vigorosa; bosques y cultivos de regadío.

2. Rosado: vegetación menos densa y/o en las primeras fases de crecimiento; áreas
suburbanas con mezcla de zonas verdes y áreas de cemento o asfalto.

3. Marrón: vegetación arbustiva o pasto; la tonalidad dependerá de la densidad, esta-


do vegetativo y tonalidad del sustrato.

4. Beige-dorado: áreas de transición; pastos secos asociados a vegetación arbustiva

98
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.6. Composiciones RGB generadas a partir de bandas MERIS visualizadas en VISAT. Superior:
color natural (R:banda 7, G:banda 5, B:banda 2). Inferior: falso color (R:banda 14, G:banda 7, B:banda 4).
99
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.7. Interfaz gráfica de VISAT mostrando la información sobre una imagen.

de poca densidad.

5. Gris a azul metálico: áreas urbanas densas, afloramientos rocosos o arena.

6. Azul oscuro a negro: cuerpos de agua (lagunas, embalses, ríos u océanos), coladas
de lava o sombras (de nubes, o por efecto del relieve).

7. Blanco: áreas de gran reflectividad; pistas de hormigón, arena seca, nubes, suelo
desnudo y seco o roca expuesta.

2. INFORMACIÓN SOBRE LAS IMÁGENES

Una vez abierta la imagen, es posible obtener información sobre ella usando las
ventanas de navegación de VISAT (figura 4.7).

2.1. Explorador de Imágenes:

Los productos abiertos, con cualquiera de los métodos previamente explicados, se


muestran en VISAT dentro del panel “Products view” (figura 4.8).
Este panel muestra información sobre la imagen, distribuida en distintas carpetas:

100
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.8. Panel Product View que muestra todas las imágenes abiertas en VISAT. Para cada una se
muestra información sobre su adquisición organizada en carpetas.

1. Metadata: proporciona datos adicionales de la ima-


gen, como datos de adquisición, cabecera, etc.
Para visualizar los datos es necesario hacer un doble
click sobre los distintos valores. Por ejemplo, los da-
tos sobre la cabecera se muestran en “SPH” (specific
header), al abrirlo se obtiene la información de la fi-
gura 4.9.

2. Flag Codings: proporciona información sobre los


flags (valores booleanos, del tipo, verdadero/falso,
dato/no dato o o enteros que indican entre varios es-
tados, del tipo, “tierra”/“agua”/“nube”/“reflejo”, etc.)
usados en la calidad de los datos.

3. Tie Points Grid: contiene información sobre los datos


asociados a cada píxel, como la longitud y latitud.

4. Bands: presenta información sobre la radiancia o re-


flectancia en cada banda de la imagen, así como su
calidad.
Al hacer doble click sobre una de las 15 bandas ME-
RIS, se muestra una imagen con la radiancia medida
en esa banda (figura 4.10).

101
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.9. Información de la cabecera de la imagen mostrada en Products View → Metadata → SPH.

2.2. Ventana de Navegación:

Este panel permite hacer zoom sobre la imagen. En el panel de visualización se


muestra el área de la imagen que cubre el rectángulo. Éste puede moverse libremente
con el ratón para seleccionar la zona que se quiere agrandar. El resto de botones que
aparecen se explican a continuación:

1. Modifica el tamaño del rectángulo.

2. Aumenta el zoom.

3. Disminuye el zoom.

4. Zoom rápido sobre el centro de la imagen.

5. Elimina el zoom.

Por ejemplo, en la figura 4.11, se muestran la ventana de navegación y la correspondiente


región ampliada.

102
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.10. Visualización de la banda radiance_1 de una imagen MERIS en VISAT.

Figura 4.11. Ventana de navegación de VISAT (abajo izquierda) y panel de visualización con zoom sobre
una imagen.

103
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.12. Ventana Pixel Info View que proporciona información sobre un píxel de la imagen.

2.3. Información de un Píxel

Muestra información sobre cada píxel de la imagen al mover el ratón sobre ella (ver
figura 4.12). Los datos mostrados para cada píxel son los siguientes:

Geo-location: información sobre las coordenadas x e y del píxel en la imagen, así


como de su latitud y longitud sobre la superficie.

Time info: fecha y hora a la que se realizó la medición del píxel seleccionado.

Tie Point Grids: información sobre las condiciones en la que se realizó la medición
del píxel (humedad, ozono, presión atmosférica, posición del sol, etc.).

Bands: radiancia del píxel en las bandas seleccionadas para visualizar la imagen.

2.4. Manipulación del color

Permite cambiar el color de la imagen visualizada, asignando diferentes colores (o


niveles de gris) a los distintos valores contenidos en los píxeles de la imagen. Puede ser
usado para resaltar características de la imagen.
Es posible añadir marcadores que relacionan el valor contenido en la banda con el
color de la escala inferior haciendo click con el botón derecho del ratón (figura 4.13). Así

104
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.13. Herramienta para la manipulación del color de una imagen mostrando la posibilidad de
añadir nuevos marcadores.

mismo, es posible cambiar los colores de cada marcador seleccionando y arrastrando con
el botón izquierdo el triángulo que se desee modificar, mientras que con el botón derecho
se puede eliminar ese marcador.

3. ANÁLISIS DE LA IMAGEN

BEAM contiene muchas herramientas que permiten analizar la imagen en estudio.


A continuación se introduce su uso y aplicabilidad.

Figura 4.14. Ventana World Map que permite la localización de una imagen MERIS dentro de un mapa
mundial.

105
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.15. Rejilla sobre una imagen MERIS.

3.1. World Map

Es posible que a simple vista no se reconozca la delimitación geográfica del produc-


to. BEAM/VISAT proporciona la herramienta world map que sitúa la zona medida por
el satélite en el mapa del mundo.
Por ejemplo, en la figura 4.14 se muestran, en rojo y en negro los límites de dos
imágenes MERIS, correspondientes a dos órbitas distintas sobre la zona de España.

Figura 4.16. Ventana de la herramienta Bitmask Overlay mostrando las distintas máscaras de bits
disponibles.

106
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.17. Características del bitmask “coastline”.

3.2. Show/hide graticule

Permite superponer u ocultar una rejilla sobre la imagen visualizada en VISAT para
tener una referencia de la latitud-longitud de la región.
Por ejemplo, en el caso de las imágenes MERIS que se están tratando se obtiene el
reticulado mostrado en la figura 4.15.

3.3. Bitmask Overlay

BEAM proporciona distintas máscaras de bits (bitmasks) que permiten encontrar


características de la imagen, como por ejemplo, tierra, agua, línea costera, etc.
Seleccionando los iconos a la derecha de la herramienta (figura 4.16), es posible
editar, crear, duplicar, eliminar, importar y exportar bitmasks.
Cada una de las características presenta un color y una transparencia, que es posi-
ble cambiar presionando el botón izquierdo del ratón. Por ejemplo, al editar el bitmask
“coastline” se abre la ventana mostrada en la figura 4.17. Desde aquí es posible cambiar
el nombre, descripción, color y transparencia de la máscara.

107
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.18. Banda 14 de MERIS con los bitmasks “coastline”, “land”, “water” y “bright” aplicados.

Para seleccionar los bitmasks que se quieren encontrar en la imagen, hay que marcar-
los y aplicar los cambios. Desde este momento, las máscaras seleccionadas se aplicarán
sobre la imagen abierta, y sobre todas aquellas que se abran a partir de entonces. Por
ejemplo, seleccionando los bitmasks de línea costera, agua, tierra y brillo, se obtiene la
imagen de la figura 4.18 para la banda 14 del producto MERIS.
Se puede observar que la línea de costa aparece delimitada por una línea de color
verde claro, mientras que la tierra y el agua aparecen en verde y azul, respectivamente.
Al seleccionar la máscara de brillo, se muestran las nubes en amarillo.
Los bitmasks pueden ser una primera indicación de la clasificación de las cubiertas
que muestra la imagen.

108
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.19. Ventana de la herramienta GCP Manager que permite añadir, modificar o eliminar puntos de
control.

3.4. GCP manager

Una imagen georreferenciada es aquélla en la que cada píxel tiene asignadas sus
coordenadas reales. Para muchos estudios, como los que combinan diferentes imágenes
de una misma zona o tienen como objetivo la generación de productos cartográficos, es
necesario que las imágenes con las que se va a trabajar estén georreferenciadas.
El proceso de georreferenciación consiste en asignar a algunos píxeles, fácilmente
identificables, las coordenadas reales obtenidas a partir de datos de campo o de mapas
existentes, como por ejemplo el visor SIGPAC del Ministerio de Medio Ambiente, y
Medio Rural y Marino 3 . Los puntos seleccionados deben ser fácilmente reconocibles
tanto en la imagen por satélite, como en la fuente usada para obtener las coordenadas.
De este modo es posible hacer corresponder con precisión los píxeles con puntos sobre
los que existen datos de campo.
Desde el GCP manager es posible gestionar los puntos de georreferenciación, añadir,
duplicar, borrar, importar o exportar los GCPs (ground control points). Algunas de estas
operaciones se explican a continuación:

1. Permite añadir nuevos puntos de control, mostrando la ventana de la figura


4.20.
En los campos “Lon” y “Lat”, se escriben las coordenadas geográficas reales del

3
http://sigpac.mapa.es/fega/visor/

109
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.20. Ventana para la creación de un GCP. Dando las coordenadas de un punto (Lon/Lat) se añade
un nuevo GCP.

Figura 4.21. GCP sobre una imagen MERIS.

punto, así como un nombre y una etiqueta del GCP, o una descripción.
Al aceptar la selección, se añade una marca en la imagen que hay que mover al
punto identificado.
Por ejemplo, si se añadiese el GCP especificado en la figura 4.20, se obtendría una
marca en la visualización de la imagen, tal como se muestra en la figura 4.21.
Es necesario añadir un número mínimo de GCPs, de modo que haya la cantidad
suficiente para obtener la georreferenciación lineal, cuadrática o cúbica. El GCP
manager, dentro del campo “Status”, dice si hay suficientes puntos para georrefe-
renciar según cada una de las aproximaciones.
Este mismo proceso puede realizarse con el botón , que aparece en el menú

110
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.22. Distintos puntos de control sobre una imagen MERIS.

lateral de VISAT. Al seleccionarlo y hacer click sobre la imagen, se añade un


nuevo GCP que es necesario editar y modificar de acuerdo a los valores reales.
Para ello basta un doble click sobre él.

2. Permite mostrar información sobre los GCPs añadidos, como la radiancia en


cada banda.

3. Realiza la georreferenciación según el método seleccionado en la casilla


“Method”, y calcula el error cuadrático medio.

4. Hace una ampliación de la imagen centrada en el pin seleccionado.

3.5. Show GCP

Muestra sobre la imagen, u oculta, los puntos GCPs previamente añadidos.


Por ejemplo, en la figura 4.22, se han elegido algunos puntos fácilmente identifica-
bles alrededor del puerto de Valencia.

3.6. Geo Coding

Muestra información sobre los puntos usados para georreferenciar, así como el error
cuadrático medio (figura 4.23).

111
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.23. Datos sobre los puntos de control añadidos para georreferenciar una imagen.

3.7. Pin manager

El pin manager permite seleccionar una posición geográfica dentro de la imagen,


que es representada como una chincheta o pin. Se utiliza para ubicar datos de campo
sobre la zona en estudio, o para etiquetar distintos tipos de cubierta (vegetación, suelo,
agua, ciudad, etc.) tras una clasificación (figura 4.24).
Desde el pin manager es posible añadir, duplicar, borrar, importar o exportar pins.
Algunos de los botones se explican a continuación:

1. Permite añadir un pin:


En los campos “Lat” y “Lon”, mostrados en la figura 4.25, se escriben las coorde-
nadas geográficas del punto de interés. Si se trata de un pin de campo del que se
conocen las coordenadas UTM, es necesario en primer lugar convertir esos valores
a latitud-longitud en grados.

También es posible añadir un pin con el botón del menú lateral de VISAT .

112
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.24. Ventana de la herramieta Pin manager que permite añadir, modificar o eliminar puntos sobre
la imagen.

Figura 4.25. Ventana para la edición de pins. Dando las coordenadas de un punto (Lon/Lat) se añade un
nuevo pin.

2. Permite añadir información sobre los pin seleccionados, como la radiancia.

3.8. Show pin

Muestra u oculta los pin creados sobre la imagen (figura 4.26).

3.9. Display Spectrum

Esta herramienta muestra el espectro, es decir, la representación gráfica de los valo-


res que tiene un píxel en las 15 bandas MERIS, frente a la longitud de onda, en los pin

113
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.26. Imagen MERIS con distintos pins que indican el tipo de cubierta de la zona.

seleccionados. Por ejemplo, si la imagen corresponde a un nivel L1b, se representaría el


espectro de radiancia (ver figura 4.27).
Los principales botones de esta herramienta son:

1. Permite eliminar del espectro alguna de las bandas.

2. Muestra el espectro del pixel debajo del cursor del ratón.

3. Muestra el espectro para el pin seleccionado desde el pin manager.

4. Muestra todos los pin seleccionados previamente con el pin manager.

5. Exporta todos los espectros a un fichero de texto para su posterior uso.

A partir del espectro, es posible obtener información sobre el tipo de cubierta a la que
pertenece un pin, ya que las características son distintas para vegetación, suelo o agua.

114
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.27. Espectros de tres pins marcados en una imagen MERIS, correspondientes a ciudad, agua y
vegetación.

Por ejemplo, seleccionando tres pin pertenecientes a distintas cubiertas (ciudad, agua
y vegetación), se obtienen los espectros mostrados en la figura 4.27. Estos espectros
se pueden exportar a formato CSV (comma separated values) e importar con otras he-
rramientas que permiten, por ejemplo, su representación gráfica, análisis o tratamiento
estadístico. Así, si se poseen datos de campo, es posible representar el espectro de un pin
de la imagen de satélite, con el espectro de campo medido in situ, y compararlos. Esto
permite validar las medidas de espectro adquirido por el sensor.

3.10. ROI manager

ROI son las siglas en inglés de región de interés (region of interest). VISAT permite
definir regiones de interés con distintas formas y criterios. Las regiones de interés se
definen para seleccionar zonas según sus características, por ejemplo, vegetación, agua,
suelo, etc.

115
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.28. Ventana del ROI Manager que permite crear regiones con distintos criterios.

Desde el ROI manager es posible añadir ROIs según cuatro criterios distintos: la
forma geométrica, el rango de radiancia, usando un bitmask, o seleccionando los píxeles
marcados con el pin manager (figura 4.28).
Además del ROI manager, es posible utilizar el menú lateral de VISAT para añadir un
ROI a partir de distintas formas geométricas, usando líneas ( , ), rectángulos ( ),
elipses ( ) o polígonos ( ). Para añadir varias zonas en un mismo ROI, es necesario
mantener la tecla “Shift” pulsada, o se conservará sólo la última.
Después de seleccionar la forma o formas de la región de interés, se genera o borra
el ROI usando los siguientes botones:

1. Elimina las formas diseñadas sobre la


imagen.

2. Convierte las formas en un ROI.

3. Convierte el ROI en formas.


Figura 4.29. Cálculo del área de un ROI.
Al crear una región de interés, es posible calcu-
lar su área desde “Analysis → Compute ROI area”,
obteniéndose datos estadísticos de la misma como
se muestra en la figura 4.29.
La información sobre los píxeles que pertenecen a la región de interés, radiancia,

116
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.30. ROI generado para el agua.

longitud-latitud, etc., se puede guardar desde “File → Export → Export ROI pixels” en
un fichero para su posterior análisis.

3.11. Show/Hide ROI

Muestra y oculta los ROI sobre la imagen (ver figura 4.30).


La apariencia de un ROI, por defecto en color rojo, se puede cambiar desde “Edit
→ Preference” (figura 4.31). Eligiendo un color y transparencia se mostrarán los ROI en
dicha tonalidad a partir de ese momento.

3.12. Histogram

El histograma de la imagen muestra con qué frecuencia aparece cada valor de la


magnitud representada en una banda. Por ejemplo, en la figura 4.32 se muestra un his-
tograma de radiancias correspondiente a la banda 14 de MERIS. Se puede calcular para
toda la imagen o para una región de interés, previamente definida.
Algunos de los botones de esta herramientas son:

1. Edita las opciones del histograma. Desde aquí se puede cambiar el título, los
nombres y rango de los ejes, etc.

117
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.31. Ventana que permite controlar el aspecto que tomará el ROI generado, cambiando el color y
transparencia de las regiones de interés.

Figura 4.32. Histograma para la banda 14 de una imagen MERIS.

118
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.33. Estadísticas calculadas por VISAT para una región de interés previamente definida.

2. Guarda el histograma como una imagen.

3. Imprime el histograma.

Si se selecciona la opción “Use ROI”, se calculará el histograma de la región seleccio-


nada.

3.13. Statistics

Esta herramienta calcula valores estadísticos de mínimos, máximos, medias y des-


viación estándar entre otros, sobre la imagen, o bien, sobre un ROI previamente definido
(figura 4.33).

3.14. Scatter Plot

Scatter plot permite comparar los valores de los píxeles de dos bandas, por lo que es
posible conocer si la información que contienen es similar o totalmente diferente, esto
es, si están estadísticamente correlacionadas.
Por ejemplo, para dos bandas cercanas en el visible, se obtiene el scatter plot de la

119
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.34. Scatter plot para las bandas 1 y 2 (izquierda) y 1 y 15 (derecha) de una imagen MERIS.

figura 4.34 (izquierda) que muestra una alta correlación, mientras que para una banda
en el visible y una en el infrarrojo el scatter plot muestra una correlación peor, como se
observa en la figura 4.34 (derecha).
El cálculo se puede realizar para toda la imagen o para una región de interés. El
resultado se puede guardar o imprimir.

4. DESCRIPCIÓN DE LAS HERRAMIENTAS DE BEAM

Las herramientas de BEAM, que a continuación se describen, están recogidas en


el menú “Tools” del programa (figura 4.35). Algunas de estas herramientas son especí-
ficas para procesar imágenes MERIS. En estos casos se indica así en el nombre de la
herramienta.

4.1. Band Arithmetic

La herramienta Band Arithmetic crea una nueva imagen calculada a partir de una
expresión aritmética que incluye otras bandas o cualquier información disponible de
los productos. El cuadro que aparece cuando se presiona el botón correspondiente a
la herramienta es el mostrado en la figura 4.36, donde la información solicitada es la
siguiente:

120
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.35. Menú “tools” de BEAM.

Figura 4.36. Ventana principal de la herramienta “Band Arithmetic”.

Target Product: nombre del producto que contendrá la nueva banda generada y la in-
formación con la que se quiere trabajar

Name: nombre de la nueva banda que se quiere generar

Description: descripción o comentarios que se consideren oportunos (opcional)

121
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Unit: unidades de la variable que va a contener la nueva banda generada (opcional)

Virtual: seleccionando esta opción, la información de la banda que se va a crear no se


guardará sino que, cada vez que se llame a esa banda, será recalculada a partir de
la expresión aritmética que la define

Replace NaN and infinity results by: selecionando esta opción, el valor especial intro-
ducido indicará la ocurrencia de un error aritmético: valores infinitos, indetermi-
naciones, raíces o logaritmos de números negativos, etc. En caso de no seleccionar
esta opción, se asignará el valor NaN (not a number).

Expression: expresión matemática del cálculo que se quiere realizar. La sintaxis de


las expresiones que usa el programa es parecida a la que usan los lenguajes de
programación C, C++ y Java. A modo de ayuda, el programa dispone de un editor
de ecuaciones.

Editor de ecuaciones

El editor de ecuaciones se activa cuando se selecciona la pestaña “Edit Expres-


sion. . . ” y muestra el diálogo de la figura 4.37. En la parte derecha, existe un cuadro
de texto, Expression, donde se introduce la expresión. Además de poder escribir directa-
mente en este cuadro de texto, se pueden utilizar diversas herramientas, como la situada
en la parte izquierda (Data sources), que contiene los subproductos con los que se elige
operar, pudiéndose seleccionar bandas, tie-point grids y flags. En la parte central, están

Figura 4.37. Ventana correspondiente al editor de ecuaciones de VISAT.

122
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.38. En la izquierda, la banda 15 de MERIS visualizada en VISAT. En derecha, la misma banda
elevada al cuadrado para aumentar el contraste en la zona de tierra.

disponibles las operaciones aritméticas básicas (suma, resta, producto y división) y todas
las constantes, operadores y funciones que admite el editor de ecuaciones.
Además, aparecen los siguientes botones:

Selecciona la expresión que aparece en Expression.

Borra la expresión que esté escrita en ese momento.

Deshace el último cambio.


y Permiten recuperar expresiones ya utilizadas.
En la parte inferior derecha de la ventana, el programa indica si la expresión escrita
es correcta o si existe algún error de sintaxis.
Esta herramienta es muy útil para calcular productos derivados y propiedades a par-
tir de las imágenes. También tiene otras utilidades, como aumentar el contraste en una
imagen. Por ejemplo, en la banda 15 de MERIS (900 nm), las superficies de agua ab-
sorben casi toda la energía que les llega, por lo que aparecen oscuras en las imágenes.
Este tipo de imágenes son buenas para diferenciar zonas de agua y tierra, sin embargo, el
contraste en tierra es muy pobre. Si elevamos al cuadrado las radiancias de dicha banda,
aumentaremos el contraste en las zonas de tierra sin disminuir la diferencia tierra-mar,

123
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.39. Tipos de proyección con los que trabaja BEAM, según la ayuda del programa, y los
parámetros correspondientes en su caso.

como se puede ver en el ejemplo de la figura 4.38.

4.2. Map Projection

La herramienta Map Projection proyecta la imagen sobre un mapa con el tipo de


proyección que se elija. Los tipos de proyección disponibles, junto con sus propiedades,
se muestran en la figura 4.39.
Cuando se pulsa el botón Map Projection, aparece el cuadro mostrado en la figura
4.40 que solicita la siguiente información:

124
BEAM SOFTWARE LIBRE DE LA ESA

Input Product: información del producto de entrada (elegido al lanzar la herramienta)

Name: nombre del producto


Description: descripción, por defecto, del producto

Output Product: información del producto de salida

Name: nombre que se da al producto


Description: descripción del producto (opcional)
Include Tie-Point Grids: opción de proyectar los tie point grid de la imagen de
entrada y guardarlos junto con las otras bandas

Projection: parámetros de la operación de proyección

Collocate with product: se puede seleccionar esta opción si hay otros produc-
tos con una proyección ya definida, y si dichos productos tienen un área en
común con el que se quiere proyectar. Así se podría usar esta información
para proyectar el “Input product” sobre otro; esto es muy útil si se quieren
comparar dos imágenes en la misma proyección.
Projection: tipo de proyección a la que se quiere reproyectar el producto. Al
seleccionarla se despliega la lista de la figura 4.41.
Datum: modelo del elipsoide terrestre respecto al que se dan las coordenadas
geográficas. Actualmente sólo soporta el WGS84 (sistema geodético mun-
dial, 1984).
Projection parameters: cuando la proyección elegida tenga parámetros configu-
rables, es posible modificar éstos en una nueva ventana como la de la figura
4.42
Resampling method: permite escoger el método de interpolación que asigna va-
lores a un píxel. Existen tres opciones:

125
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.40. Ventana principal de la herramienta Map Projection.

Figura 4.41. Ventana que muestra los tipos de proyección con los que trabaja VISAT y desde la que se
puede seleccionar dicha opción.

Figura 4.42. Ventana desde la que se establecen los parámetros correspondientes al tipo de proyección
elegida (Stereographic).

126
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.43. Ventana desde la cual se pueden establecer algunos parámetros de la imagen de salida.

El vecino más cercano.


Interpolación bilineal.
Convolución cúbica.
En la ayuda del programa se detallan los algoritmos matemáticos que emplea
cada uno de estos métodos.
Output Parameters: abre la ventana de la figura 4.43, que permite escoger los
parámetros de salida: la posición del píxel de referencia, la longitud de sus
ejes en el sistema de coordenadas elegido (mapa), el ángulo que forman el
eje norte del mapa con el eje norte geográfico.
Por defecto, el área de la imagen de entrada estará completamente incluida
en la imagen de salida, sin embargo se pueden cambiar el ancho y alto en
píxeles marcando Adjust size.
El valor no-data-value es el que se asignará a los píxeles en la imagen de
salida que no tengan correspondencia con uno de la imagen fuente. El valor
que se especifique será usado únicamente si la imagen de entrada no tiene
definido un no-data-value.

Output Product Information: informa de las dimensiones y de las coordenadas geo-


gráficas del punto central del producto proyectado que se generará.

127
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.44. Visualización con VISAT de la banda 1 de una imagen MERIS en la proyección nativa del
satélite (izquierda) y en proyección estereográfica (derecha).

El resultado de aplicar a la imagen con la proyección nativa del satélite una transfor-
mación a proyección estereográfica, se muestra en la figura 4.44. En este caso se trata de
una imagen correspondiente a la banda 1 de MERIS. Los pasos seguidos para ello y los
parámetros aplicados pueden verse en las figuras 4.40 a 4.43.

4.3. Data Flip

La herramienta Data Flip genera la imagen especular con respecto al eje que se
indique. Para ello muestra la ventana mostrada en la figura 4.45. Las opciones que ofrece
esta ventana de la herramienta son las siguientes:

Input Product: información del producto de entrada (elegido al lanzar la herramienta)

Output Product: información del producto de salida

Name: nombre que se da al producto


Description: descripción del producto (opcional)

Flip data: tipo de operación que se quiere realizar. Existen las opciones: transformación
respecto a un eje vertical, respecto a un eje horizontal, o respecto a ambos ejes (que
pasan siempre por el centro de la imagen).

128
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.45. Ventana principal de la herramienta Data Flip.

Output Product Information: informa de las dimensiones y de las coordenadas geo-


gráficas del punto central del producto que se generará

Esta herramienta es muy útil cuando se trabaja con imágenes tomadas por satélites que
recorren la Tierra de sur a norte y que, por tanto, empiezan el escaneo de la imagen por
la parte sur de esta. Si no son modificadas previamente, estas imágenes muestran en su
parte superior la zona que está más al sur, por tanto, al ser visualizadas, se muestran
invertidas.
El resultado de la transformación que se muestra en la ventana de ejemplo (figura
4.45) es la que aparece en la figura 4.46.

4.4. Orthorectification

Esta herramienta, al igual que la herramienta Map Projection, proyecta la imagen


sobre un mapa, pero además aplica una ortorrectificación.

Necesidad de la ortorrectificación

Las variaciones topográficas en la superficie de la tierra y la inclinación del satélite


afectan a la distancia con la que se muestran las características en la imagen adquirida
desde un satélite. Cuanto más topográficamente diverso sea el paisaje, tanto mayor será
la distorsión inherente en la imagen.

129
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.46. Imagen especular, con respecto a sendos ejes horizontal y vertical que pasan por el centro de
la imagen, de la imagen MERIS mostrada en la figura 4.44 (izquierda).

Los datos de los productos adquiridos por sensores a bordo de satélites, están afecta-
dos por errores de geometría sistemáticos inducidos por la plataforma del sensor, intro-
duciendo, de ese modo, distorsiones de terreno cuando el sistema óptico del sensor no
apunta directamente al nadir.
Con el fin de eliminar con precisión las distorsiones de la imagen, se usa un modelo
digital de elevación (DEM, digital elevation model) para realizar la ortorrectificación de
la imagen.

Como esta herramienta incluye la proyección sobre un mapa, la ventana que muestra
es la misma que la de la herramienta Map Projection, excepto por que añade la elección
del modelo de elevación digital (DEM) que se quiere usar para la ortorreferenciación.
Un ejemplo de dicha ventana se muestra en la figura 4.47.

Digital Elevation Model (DEM): modelo digital de elevación del terreno que se quiere
usar

130
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.47. Ventana principal de la herramienta Orthorectification donde se resalta en rojo la parte
correspondiente a modelos de elevación del terreno.

Use elevation from tie-points: usa la información de elevación de los tie-points


que incluye la imagen cuando se activa esta opción
Use external DEM: usa un modelo de elevación externo previamente instalado.
El modelo GETASSE30 puede ser descargado gratuitamente de la página de
la ESA. Si no está ya instalado en el equipo, el programa ofrece la posibilidad
de descargarlo (véase la figura 4.48).

4.5. Create Subsets From View

Esta herramienta es útil para seleccionar una parte del producto, bien espacial o bien
espectralmente, con la que interesa trabajar. Esto reducirá la cantidad de datos que el
programa debe procesar para cualquier análisis posterior.

131
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.48. Ventana que muestra VISAT para ofrecer la posibilidad de descargar el modelo de elevación
del terreno GETASSE30.

Como resultado, se obtiene un nuevo producto que únicamente contiene la informa-


ción elegida por el usuario, y que será la única disponible cuando se solicite información,
se visualice o se realicen posteriores análisis.
Esta función se diferencia del ROI espacial en que en el ROI se seleccionan los
píxeles de una imagen mediante una condición definida por el usuario, y el programa
muestra la información sobre tales píxeles, por ejemplo, el área ocupada. Con subsets
from view no se persigue destacar ninguna información, sino crear un nuevo producto
que sólo contenga la información seleccionada.
La ventana que se abre al seleccionar la herramienta muestra cuatro pestañas.

Spatial Subsets

Mediante un cuadro interactivo de previsualización (fig. 4.49 superior), se selecciona


el área. También es posible hacerlo manualmente introduciendo los datos en las casillas
de la derecha.
En la figura 4.49 (inferior), se muestra la imagen que se obtiene como resultado de
delimitar la zona de estudio, en este caso, a un entorno de la Albufera de Valencia.

Band Subsets

Desde esta pestaña se eligen las bandas en el producto de salida (fig. 4.50). Esta
herramienta es útil para, por ejemplo, eliminar bandas redundantes o con baja calidad de
información, errores, etc.

132
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.49. Cuadro de selección interactiva de áreas de los Spatial Subsets (izquierda). Ejemplo de área
seleccionada como Spatial Subset (derecha).

Figura 4.50. Selección del subconjunto de bandas a procesar.

133
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Como ejemplo, en la figura 4.51, se


muestra el resultado de eliminar todas las
bandas MERIS del infrarrojo.
Sólo queda la información de las 8
primeras bandas de la imagen.

Tie-point Grid Subset

Desde esta pestaña se selecciona la


información geográfica y condiciones de Figura 4.51. Ejemplo de subconjunto de bandas
adquisición de la imagen y meteorológi- seleccionadas (Band Subset).
cas del área de barrido (fig. 4.52).

Metadata subset

En esta pestaña se muestran los metadatos del producto original que se conserva-
rán en el nuevo producto (fig. 4.53). Si el producto inicial no contiene metadatos, esta

Figura 4.52. Selección de información geográfica a incluir en el Subset.

134
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.53. Selección de metadatos de la imagen a incluir en el Subset.

pestaña no aparece.

4.6. Create Elevation Band

Esta herramienta crea una banda con datos de elevación


del terreno. La aplicación de la herramienta es automática,
sólo es necesario ejecutarla (figura 4.54).
Es necesario elegir el modelo de elevación digital a em-
plear, así como el nombre que se asignará a la nueva banda
creada. Por defecto, BEAM sugiere el GETASSE30, como
en la figura 4.54, pero es posible elegir otros DEM, siem-
pre y cuando hayan sido registrados antes en BEAM por el Figura 4.54. Diálogo de la
usuario. En la figura 4.55 se muestra el mapa de elevación herramienta para crear una
cargado para la región de estudio. banda de elevación del terreno.

4.7. Create filtered band

La utilidad de esta herramienta es la aplicación de filtros a una banda concreta selec-


cionada por el usuario.
BEAM cuenta con una librería de filtros extensa. La ventana de la figura 4.56 permite

135
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.55. Ejemplo de banda de elevación del terreno creada a partir del modelo GETASSE30.

Figura 4.56. Filtros para imágenes disponibles en BEAM.

seleccionar los filtros disponibles. Los filtros se aplican banda a banda de la imagen.
En la figura 4.57, se muestra, como ejemplo, el resultado de aplicar un filtro lapla-
ciano de 3 × 3 a la banda 7 de una imagen MERIS, que resalta los bordes entre las
cubiertas visibles en ésta.

136
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.57. Ejemplo de aplicar un filtro de Laplace a una imagen MERIS: banda 7 antes (izquierda) y
después (derecha) de aplicar el filtro.

4.8. SST Processor

Esta herramienta permite calcular la temperatura de la superficie del mar (SST, sea
surface temperature) a partir de la temperatura de brillo medida por el sensor (A)ATSR
(Advanced Along Track Scanning Radiometer). Debido a que esta herramienta no es
aplicable a productos MERIS, no se proporciona su descripción.

4.9. Cloud Probability Processor (MERIS)

A través de un algoritmo basado en métodos de redes neuronales, esta herramienta


genera un archivo en el que una de sus bandas da la probabilidad de que cada píxel de una
imagen MERIS L1b sea nuboso o de aire claro. Además, genera tres flags adicionales
que distinguen en la imagen entre píxeles nubosos, no nubosos y dudosos, según el
criterio mostrado en la figura 4.58.
Para ello, la herramienta muestra la ventana I/O Parameters correspondiente a la
figura 4.59, en la que se indican los datos necesarios para realizar la operación:

Input product file: nombre y ubicación del fichero que contiene el producto con el que
se quiere trabajar (por ejemplo, una imagen MERIS). Un botón en la parte derecha
de este campo permite abrir un navegador para seleccionar el fichero.

137
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.58. Tabla que muestra la clasificación de los píxeles según su cobertura nubosa de acuerdo con
los criterios de BEAM.

Figura 4.59. Ventana principal de la herramienta Cloud Probability Processor.

Output product file: nombre y ubicación del fichero que contiene el producto de salida.
La ruta al fichero se puede elegir al igual que en el fichero de entrada.

Output product format: formato en que se quiere guardar el nuevo producto. El for-
mato por defecto es el BEAM-DIMAP, pero también se pueden elegir GeoTiff o
HDF5.

Log filename prefix: nombre del archivo de logs del cálculo, que se creará en el mis-
mo directorio que el producto de salida si se activa la opción “Extra log output
directory”.

En el caso de la imagen MERIS L1b utilizada en ejemplos anteriores, la banda de pro-


babilidades de nubosidad es la mostrada en la figura 4.60. Esta imagen ha sido realzada
según la paleta de colores que figura en su parte inferior: los píxeles a los que se les ha
asignado un 100 % de probabilidad de ser nubosos aparecen en blanco, y aquéllos que
tienen un 0 % de probabilidad de ser nubosos se muestran en negro.
En el caso de la banda de flags que indica el porcentaje de nubosidad en cada píxel,
el resultado es el mostrado en la figura 4.61.

138
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.60. Banda de probabilidades de nubosidad resultado de aplicar la herramienta “Cloud Probability
Processor” a una imagen MERIS. La probabilidad 1 (blanco) corresponde a total seguridad de que el píxel
es nuboso; la probabilidad 0 (negro) corresponde a total seguridad de que el píxel no tiene nubes.

4.10. Radiance-To-Reflectance Processor (MERIS)

La herramienta Radiance-To-Reflectance Processor convierte radiancias medidas en


el tope de la atmósfera (LT OA ) en reflectancias (RT OA ) aplicando la siguiente relación:

πLT OA (λ)
RT OA (λ) =
E0 (λ) cos(θ)
donde E0 es la irradiancia espectral solar, λ es la longitud de onda y θ es el ángulo cenital
solar.
Los parámetros del proceso se seleccionan a través de dos pestañas mostradas en las
figuras 4.59 y 4.62 cuyas opciones se explican a continuación.

I/O Parameters: se indican los ficheros de entrada y salida a través de un diálogo idén-
tico al de la herramienta Cloud Probability Processor (figura 4.59).

139
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.61. Banda de de flags que se obtiene cuando se aplica la herramienta Cloud Probability Processor
a una imagen MERIS. Los píxeles con más de un 80 % de nubosidad aparecen en blanco y aquéllos con
menos de un 20 % de nubosidad aparecen en azul, según la tabla de la figura 4.58.

Figura 4.62. Ventana que permite escoger las bandas con las que va a trabajar la herramienta
“Radiance-To-Reflectance Processor”.

Processing Parameters: permite seleccionar las bandas que se quieren convertir a re-
flectancias (figura 4.62). Existe la posibilidad de que, en el nuevo producto gene-
rado con las reflectancias, también se incluyan la radiancias de las que provienen
dichas reflectancias (opción Copy selected bands to output product).

140
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.63. Ventana “Processing Parameters” de la herramienta FLH/MCI Processor con las opciones
preseleccionadas para imágenes MERIS.

4.11. FLH/MCI Procesor

Esta herramienta permite calcular la altura de la línea de fluorescencia de la clorofila-


a (alrededor de 782 nm) respecto a una línea base del espectro calculada a partir de otras
dos bandas de MERIS. La distancia entre el valor en la banda 8 (a 681.25 nm, que es la
más próxima a la fluorescencia) y la interpolación lineal de las otras dos está relacionada
con la concentración de clorofila-a presente. Este método ha sido introducido por Gower
(1999).
Al ejecutar la herramienta, se muestra una ventana con dos pestañas.

I/O Parameters: en esta pestaña se indican los ficheros de entrada y salida a través de
un diálogo idéntico al de la herramienta Cloud Probability Processor (figura 4.59).

Processing Parameters: se indican los parámetros necesarios para hacer el cálculo (fi-
gura 4.63)

Preset: despliega una lista con los ajustes disponibles que se pueden utilizar:
MERIS L2 FLH: MERIS L2 product fluorescence lineheight

141
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

MERIS L1b MCI: MERIS L1b maximum chlorophyll index


MERIS L2 MCI: MERIS L2 maximum chlorophyll index
General baseline height
Low Baseline Band name: banda de menor longitud de onda empleada en los
cálculos
High baseline band name: banda de mayor longitud de onda empleada en los
cálculos
Signal band name: banda de señal más próxima a la longitud de onda de la línea
de fluorescencia de la clorofila-a
Lineheight band name: nombre de la banda generada con el resultado del cálcu-
lo
Output slope: es posible guardar también la pendiente de la línea de base respec-
to a la que se calcula la altura de la línea de fluorescencia (el nombre de esta
nueva banda se indica en Slope band name)
Bitmask: es posible elegir en qué parte de la imagen se realizará el cálculo a
través de bitmasks. Por defecto, al seleccionar el Preset, aparece aquí el más
adecuado para el producto MERIS.
Cloud Correction Factor: es posible elegir el factor de extrapolación que se uti-
lizará para la corrección de nubes
Default value for invalid pixels: valor que se asignará a aquellos píxeles con un
valor no válido

Como ejemplo de utilización de esta herramienta se ha aplicado a una imagen MERIS


de la misma zona que la de la figura 4.44 (izquierda). Las bandas empleadas fueron, para
calcular la línea de base, las 6 (en 620 nm) y 9 (en 705 nm); la señal se tomó de la 8 (en
681,25 nm). El resultado se muestra en la figura 4.64.

4.12. Smile correction Processor (MERIS)

El “efecto sonrisa” en una imagen, consiste en variaciones graduales en el brillo


de las líneas de barrido de la imagen. Estas variaciones de brillo son debidas a una
desviación gradual, a lo largo de dichas líneas, de la longitud de onda central de las
bandas en las que mide el sensor; dicha desviación impide que en algunos píxeles del
sensor se capte la totalidad de la radiancia de líneas espectrales muy estrechas.

142
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.64. Resultado de aplicar el FLH/MCI Procesor a una imagen MERIS usando las bandas 6 (low
baseline), 8 (signal band) y 9 (high baseline).

Esta variación es pequeña y difícilmente apreciable a simple vista en las imágenes.


Sin embargo, puede causar errores en los algoritmos que requieren medidas muy preci-
sas, por ejemplo, los utilizados en el cálculo de la concentración de clorofila-a.
Para su corrección se realiza una estimación de la pendiente espectral a partir de las
bandas adyacentes para cada banda de la imagen. Este cálculo lo realiza BEAM, requi-
riendo sólo del usuario que introduzca la imagen origen y elija el nombre del archivo en
el que se guardará la imagen corregida4 .
La ventana mostrada para esta herramienta contiene una única pestaña:

I/O Parameters: en esta pestaña se indican los ficheros de entrada y salida a través de
un diálogo idéntico al de la herramienta Cloud Probability Processor (figura 4.59).

4
La descripción de esta corrección, en el caso de imágenes MERIS se puede encontrar en “MERIS smi-
le effect characterisation and correction”, http://earth.esa.int/pcs/envisat/meris/documentation/MERIS_
Smile_Effect.pdf

143
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

4.13. SMAC Processor (MERIS)

La herramienta SMAC (Simplified Method for Atmospheric Corrections of satellite


measurements) implementa una corrección atmosférica mediante el método simplificado
descrito por Rahman y Dedieu (1994). Dicho método es una aproximación semiempírica
de la transferencia radiativa en la atmósfera. Para ello, la señal recibida en el satélite se
simplifica como la suma de cinco términos:

Transmisión bidireccional en gases.

Albedo atmosférico.

Transmisión total atmosférica.

Dispersión Rayleigh.

Dispersión por aerosoles.

Todos estos términos son estimados de una manera sencilla y, para ello, además de las
radiancias medidas en el tope de la atmósfera por el satélite, este modelo requiere que
se introduzcan la presión en superficie, el contenido de ozono y de vapor de agua y los
aerosoles. Para el caso de los aerosoles, se requiere el uso de un modelo de aerosoles
además de la profundidad óptica de aerosoles en 550 nm. El resto de los parámetros
atmosféricos pueden ser leídos de un modelo de predicción numérica. En concreto, el
programa está preparado para usar datos del Modelo de Predicción a Medio Plazo del
Centro Europeo (European Center Model Weather Forecast, ECMWF).
En definitiva, este modelo da la vuelta a la ecuación de transferencia radiativa pa-
ra calcular así las radiancias correspondientes en la superficie terrestre. La ventaja que
aporta es la gran rapidez de cálculo, muy útil cuando se manejan grandes volúmenes de
datos.
Esta ventana presenta dos pestañas:

I/O Parameters: en esta pestaña se indican los ficheros de entrada y salida a través de
un diálogo idéntico al de la herramienta Cloud Probability Processor (figura 4.59).

Processing Parameters: en esta pestaña se eligen los parámetros para el cálculo (figura
4.65).

Bands: bandas a las que se quiere aplicar la corrección atmosférica.

144
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.65. Ventana que controla los parámetros de entrada de la herramienta “SMAC Processor”.

Aerosol type: tipo de aerosoles a tener en cuenta para el cálculo.


Aerosol optical depth: espesor óptico de aerosoles.
Horizontal visibility: distancia de atenuación por observación directa sobre tie-
rra debida a los aerosoles (en km).
Use MERIS ECMWF Data: utiliza los datos del modelo ECMWF en caso de
que esté seleccionada esta opción; si no es así, existe la posibilidad de intro-
ducir los datos de presión en superficie (Surface air pressure), contenido de
ozono (Ozone content) y concentración de vapor de agua (Water vapour).
Default value for invalid pixels: valor que se asignará a aquellos píxeles con un
valor no válido.
Bitmask: es posible elegir en qué parte de la imagen se realizará el cálculo a
través de bitmasks.

Una vez elegidas todas las opciones, si se ejecuta la herramienta, se obtendrán las reflec-
tancias en la superficie terrestre correspondientes a las bandas que se hayan pedido.

4.14. Mosaic Processor

Esta herramienta es capaz de generar imágenes MERIS de nivel 3, permitiendo rea-


lizar una composición espacial de imágenes para abarcar un mayor territorio. El objetivo
es extraer la información de una o varias bandas (o resultados de cálculos con ellas) en

145
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.66. Ventana en la que se introduce el nombre de los productos de entrada y de salida para el
“Mosaic Processor”.

la imagen, para incorporarlas y visualizarlas en la composición espacial del conjunto del


mosaico.
Esta herramienta abre una ventana con tres pestañas.

I/O Parameters: en esta pestaña se indican los ficheros de entrada y salida de la herra-
mienta (figura 4.66).

Output product file: nombre y ubicación del fichero que contiene el producto de
salida (sólo en formato BEAM-DIMAP). La ruta al fichero se puede elegir
al igual que en el fichero de entrada.
Input product file: nombre y ubicación del fichero que contiene el producto con
el que se quiere trabajar. Los botones en la parte derecha de este campo
permiten abrir un navegador para añadir un fichero ( ) o seleccionar un
fichero previamente añadido para eliminarlo ( ).
Log filename prefix: nombre del archivo de logs del cálculo, que se creará en el
mismo directorio que el producto de salida si se activa la opción “Extra log
output directory”.

Product Definition: en esta pestaña se escoge la proyección de la imagen producto y la


extensión geográfica del mosaico (figura 4.67).

146
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.67. Ventana en la que se indican la proyección, el DEM (GETASSE30) y las coordenadas
geográficas y resolución espacial del producto de salida.

Projection: contiene la información sobre el tipo de proyección (Projection na-


me) y sus parámetros asociados en caso de que sean necesarios (Projection
parameters). Además, es posible aplicar una ortorrectificación (activando
Orthorectify input products) y, en tal caso, elegir el modelo de elevación
que se va a utilizar (Elevation model).
Output parameters: información sobre la extensión del mosaico (coordenadas
de Easting y Northing de los vértices de la imagen de salida) y el tamaño
del pixel del producto de salida. Por ejemplo, para una imagen MERIS (full
resolution), se puede conservar el pixel de 300 × 300 m. El botón Open Lo-
cation Preview abrirá otra ventana en la que se mostrará la región sobre un
mapa del mundo (figura 4.68).
Output Product Information: informa de las dimensiones y de las coordenadas
geográficas del punto central del mosaico.

Processing Parameters: en esta pestaña se selecciona la información de las bandas que


contendrá el mosaico (figura 4.69).

Output variables: se añaden las nuevas bandas del mosaico (o se eliminan) de-
finidas en función de las variables de los productos de entrada (usando los

147
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.68. Visualización de la región geográfica del producto resultante del mosaico.

Figura 4.69. Criterios introducidos en “Processing Parameters”.

botones y ). Estas nuevas bandas se pueden calcular utilizando un Ex-


pression Editor, similar al Arithmetic Expression Editor descrito para la he-
rramienta Band Arithmetic (figura 4.37), pero que sólo admite expresiones
booleanas. Las bandas también se pueden ordenar, subiéndolas o bajándolas
con los botones y . Existe, además, la posibilidad de añadir directa-

148
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.70. Selección de bandas cuyos píxeles serán tenidos en cuenta en el cálculo de la imagen
mosaico.

mente bandas de los productos de entrada, pulsando el botón , que abrirá


el Band Chooser (figura 4.70).
Valid pixel conditions: es posible añadir condiciones (expresiones booleanas, in-
troducidas con el editor de ecuaciones) para seleccionar qué pixeles no serán
considerados en el cálculo del producto de salida.

Como ejemplo, se ha construido un mosaico [figura 4.71 (inferior)] a partir de dos imá-
genes MERIS tomadas en fechas y órbitas distintas que se solapan sobre la costa del
levante español (imágenes superiores de la figura 4.71).

4.15. Level-3 Binning: Binning Processor

Binning Processor

Binning es una transformación que trata de distribuir las contribuciones de los pixeles
de una imagen en su sistema de coordenadas nativo, a una imagen L3 que está definida
sobre una rejilla determinada, usando un sistema de referencia geográfico. Para ello, la
herramienta se basa en dos algoritmos:

El algoritmo SeaWiFS de la NASA.

149
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.71. Arriba: composición RGB de bandas (11,6,2) de MERIS, de los día 23/06/2006 (izquieda) y
11/08/2006 (derecha). Abajo: la misma composición RGB del mosaico construido con el Mosaic
Processor.

El algoritmo implementado por Thomas Lankester de Infoterra.

Además de los algoritmos originales, el binning processor da las siguientes opciones:

Elegir uno de los tres algoritmos de binning posibles (Máxima probabilidad, Me-
dia aritmética y Mínimo/Máximo).
Seleccionar una subregión, fuera de la cual, todos los píxeles son rechazados.
Definir el tamaño de la rejilla que se va a crear.

150
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.72. Ventana desde la que se selecciona el fichero de entrada de la herramienta Binning Processor.

Figura 4.73. Ventana que controla las características del fichero de salida en la herramienta Binning
Processor.

Usar binning y conservación de flujo como métodos independientes.

Procesar diferentes bandas con diferentes bitmasks y diferentes algoritmos de bin-


ning al mismo tiempo.

Todo ello se puede hacer a través de cuatro pestañas.

Input Products: en esta pestaña se describen los productos de entrada y su ubicación


(figura 4.72). Cada producto se añade a través del botón que abre un navegador
que permite seleccionar cada fichero.

Output Parameters: en esta pestaña se describen el producto de salida y su ubicación


(figura 4.73):

Output product file: ubicación y nombre del producto que se quiere generar

151
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.74. Ventana desde la que se controlan los parámetro necesarios para el cálculo en la herramienta
“Binning Processor”.

Output product format: formato del producto de salida (BEAM-DIMAP, Geo-


Tiff y HFD5)
Tailor output to geographic boundary of input: permite restringir la operación
al área que contiene datos.
Log filename prefix: nombre del archivo de logs del cálculo, que se creará en el
mismo directorio que el producto de salida si se activa la opción “Extra log
output directory”.

Processing Parameters: (mostrada en la figura 4.74):

Compositing: contiene el algoritmo de remuestreo que se empleará. Se puede


elegir entre binning y flux-conserving. El método binning mantiene el área
del grid constante, por ello pide que se establezca este valor (Grid cell si-
ze). El método flux-conserving mantiene el ángulo de grid constante, por lo
tanto, pide que se establezca el número de celdas por grado a usar (Cells per
degree).
Geographic Boundary: define la extensión espacial del producto de salida a tra-
vés de coordenadas geográficas de sus límites

Bands: se indican las bandas con las que se va a trabajar (figura 4.75). Para elegir las
bandas, se presiona el botón que, a su vez, abre un Band Chooser (figura 4.70),
desde el que se seleccionan.

152
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.75. Ventana que controla las bandas y la manera en que se usan en la herramienta “Binning
Processor”.

Valid expresion: premite incluir una condición que decida si se van a tener en
cuenta o no los valores de la banda correspondiente. La expresión lógica que
define esta decisión se introduce mediante un Expression Editor, similar al
Arithmetic Expression Editor descrito para la herramienta Band Arithmetic
(figura 4.37), pero que sólo admite expresiones booleanas.

Aggregation: tipo de algoritmo que se quiere emplear en el proceso de bin-


ning. Puede usarse la media aritmética, máxima verosimilitud o mínimo/máximo.

Weight: peso de la banda en el cálculo.

En la figura 4.76 se muestran algunos ejemplos de la aplicación de esta herramienta


sobre la banda 4 de una imagen MERIS centrada en el cabo de la Nao.
En primer lugar, se ha hecho un binning utilizando cuatro bandas del producto (ban-
da1, banda4, banda7 y banda13), dándoles un peso de 0,25 a cada una de ellas en el
cálculo y forzando a que el producto final tenga un tamaño de rejilla de 5 km. En este
caso se ha usado como método de cálculo el de máxima verosimilitud (4.76-a).
El siguiente ejemplo cambia con respecto al anterior en que el tamaño de rejilla
elegido es 3 km, y el método de binning, la media aritmética (4.76-b).
Por último, se usa el algoritmo Máximo/Mínimo para el mismo tamaño de rejilla
de 3 km. El resultado del máximo de la banda 4 se presenta en la figura (4.76-c) y el
mínimo en la figura (4.76-d).

153
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

(a) (b)

(c) (d)

Figura 4.76. Banda 4 de una imagen MERIS mostrada por VISAT (superior) y resultado de aplicar la
herramienta “Binning Processor” según ciertos parámetros (ver explicación en el texto).

Create Bin Database

La herramienta “Create Bin Database” genera una base de datos en la ubicación


elegida y permite definir todos los parámetros necesarios para su actualización:

Tamaño de rejilla.

Nombre de los parámetros geofísicos.

Expresiones bitmask.

154
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.77. Ventana que controla los parámetros de entrada de la herramienta “Create Bin Database”.

El tipo de algoritmo usado en el proceso de binning.


Las coordenadas de los bordes de la imagen con la que se quiere trabajar.

Para crear la base de datos, se dispone de dos pestañas.

Processing Parameters: igual que la del Binning Processor (figura 4.74), pero con dos
campos adicionales:

Bin-Database: nombre y ubicación del fichero donde se guardará la base de datos


que se va a generar. El botón en la parte derecha de este campo permite abrir
un navegador para seleccionar la ubicación del fichero.
Log filename prefix: nombre del archivo de logs del cálculo, que se creará en el
mismo directorio que la base de datos de salida.

Bands: se indican las bandas con las que se va a trabajar. Es igual que la pestaña del
mismo nombre del Binning Processor (figura 4.75)

Update Bin Database

Esta herramienta actualiza la base de datos ya creada, añadiendo o quitando produc-


tos de entrada a la base de datos. Para ello, se dispone de la ventana mostrada en la figura

155
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.78. Ventana principal de la herramienta “Update Bin Database”.

4.78.

Bin-Database: nombre y ubicación del fichero donde se guardará la base de datos que
se va a generar. El botón en la parte derecha de este campo permite abrir un nave-
gador para seleccionar la ubicación del fichero.

Input products: ruta y nombre de los productos que se quiere incluir en la base de
datos. Para incluir un producto se pulsa el botón , que abre un buscador desde el
que se pueden seleccionar los productos. Para eliminar un producto, se selecciona
y se pulsa el botón .

Log filename prefix: nombre del archivo de logs del cálculo, que se creará en el mismo
directorio que la base de datos de salida.

Create final L3 Product

Esta herramienta permite escoger una base de datos ya creada y calcular un producto
L3 a partir de ella. Para ello el programa ofrece la ventana mostrada en la figura 4.79.

Bin-Database: nombre y ubicación del fichero de base de datos que se ha creado pre-
viamente y con la que se quiere trabajar.

Output product file: ubicación y nombre del producto L3 que se va a crear a partir de
la base de datos anterior.

156
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.79. Ventana principal de la herramienta “Create final L3 Product”.

Output product format: formato del producto de salida. Los formatos disponibles son
BEAM-DIMAP, GeoTiff y HFD5.

Tailor output to geographic boundary of input: permite restringir la operación al área


que ocupan los productos de entrada.

Delete bin-database: una vez creado el producto L3, da la opción de borrar la base de
datos a partir de la cual se creó dicho producto.

Log filename prefix: nombre del archivo de logs del cálculo, que se creará en el mis-
mo directorio que el producto de salida si se activa la opción “Extra log output
directory”.

4.16. NDVI Processor (MERIS)

Para calcular el NDVI se utilizan bandas que ofrecen información sobre la produc-
ción fotosintética, es decir, infrarrojo cercano (NIR) y rojo (red), puesto que son las
longitudes de onda en las que absorben energía los pigmentos fotosintéticos. BEAM
calcula este índice como

fNIR NIR − fred red


NDVI =
fNIR NIR + fred red
Ya que el índice se calcula con valores de reflectividad, los resultados varían entre −1,0
y 1,0. Para mejorar el contraste de la información en la imagen y hacer más evidentes las

157
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.80. Pestaña “NDVI Parameter” de la herramienta “NDVI Processor” en la que se introducen las
bandas de cálculo y sus factores de ponderación.

diferencias entre las masas de vegetación más activa/vigorosa y las menos, se incluyen
los factores de ponderación fred y fNIR de las bandas red y NIR.
La herramienta presenta una ventana con dos pestañas.

I/O Parameters: esta pestaña es idéntica a la del mismo nombre del Cloud Probabi-
lity Processor (MERIS) (figura 4.59 de la página 138). Esta herramienta, al ser
específica para MERIS, requiere que los productos de entrada sean de nivel L1b.

NDVI Parameter: En MERIS, las posibles bandas a utilizar para calcular el NDVI son
las 9 a 15, en el infrarrojo cercano (upper band), y las 6 a 8, en el rojo (lower
band) (figura 4.80). Por defecto, BEAM asume la banda 10, en infrarrojo cercano,
y la 6, en rojo, y toma los factores de ponderación iguales a la unidad, si no se
indican otros valores.

BEAM genera una banda de NDV I y una de flags que contienen información sobre
los valores anómalos generados durante el cálculo. Los flags generados informan, por
ejemplo, de los puntos en los que el NDV I toma valores negativos; estos valores son
sustituidos por 1 + NDV I en la otra banda, de forma que en ella todos los valores sean
positivos. Para recuperar los valores reales del cálculo, es necesario aplicar la siguiente
expresión con la herramienta Band Arithmetic: (nvdi_flags==2)?ndvi-1:ndvi.
Seleccionando la banda 6 en el rojo como “lower band” y la 10 en el infrarrojo
cercano como “upper band” y los factores de ponderación fNIR y fred iguales a 1, y
aplicando la anterior transformación, se obtiene el resultado mostrado en la figura 4.81
(donde, además, se ha aplicado una escala de color adecuada).

158
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.81. NDVI calculado a partir de las bandas 6 y 10, con factores superior e inferior iguales a 1.

4.17. Collocation

La herramienta “Collocation” permite superponer dos imágenes, haciendo que sus


píxeles coincidan. Esto implica que los valores de los píxeles del producto “esclavo”
sean recolocados en la malla (raster geográfico) del producto “maestro”.
La ventana con la que trabaja esta herramienta es la mostrada en la figura 4.82.

Source Products: se indican los productos que se usarán como maestro y como esclavo,
respectivamente.

Target Product: características del producto que se va a generar: nombre, formato y


directorio donde se quiere almacenar dicho producto. Además, existe la opción de
que dicho producto sea abierto automáticamente por el programa tan pronto como
haya sido generado; para ello hay que activar la opción “Open in VISAT”.

Renaming of Source Product Components: es posible asignar nuevos nombres a las


bandas, tanto del producto maestro, como del esclavo. Estas opciones se habili-
tan seleccionando “Rename master components” y “Rename slave components”
respectivamente.

159
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.82. Ventana principal de la herramienta “Collocation”.

Resampling: método de interpolación usado al mapear las bandas del producto esclavo
a la malla del maestro. Se pueden seleccionar tres métodos:

Vecino más próximo.


Interpolación bilineal.
Convolución cúbica.

A modo de ejemplo, se ha aplicado esta herramienta usando como “maestro” una de


las imágenes centradas en el Cabo de La Nao, generadas con la herramienta “Binning
Processor” sobre una malla de 3 km (figura 4.76). Como “esclavo” se ha escogido la
imagen MERIS completa de toda la zona. El resultado, para la banda 4 de MERIS, es el
mostrado en la figura 4.83.

4.18. Image Analysis

A continuación, se explican los tres algoritmos de clasificación que proporciona la


herramienta Image Analysis de BEAM para la clasificación de imágenes:

160
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.83. Resultado de aplicar la herramienta “Collocation” en la banda 4 de MERIS proyectada


respecto a una de las imágenes de la figura 4.76.

Spectral Unmixing

Esta herramienta es útil para “separar” espectralmente superficies en la imagen. Al


seleccionarla, se abre una ventana en la que se introducen los datos para realizar la
operación (figura 4.84).

Source Product: producto sobre el que se aplicará el algoritmo de clasificación. Se


puede escoger entre los productos abiertos en VISAT o, a través del botón situado
en la parte derecha, abrir un fichero con un nuevo producto.
Target Product: características del producto que se va a generar: nombre, formato y
directorio donde se quiere almacenar dicho producto. Además, la opción “Open
in VISAT”, hace que dicho producto sea abierto automáticamente por el programa
tan pronto como haya sido generado.
Parameters:

Spectral source bands: se muestran todas las bandas del producto de entrada,
entre las cuales se pueden elegir las que se utilizarán como base para el
cálculo.

161
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.84. Ventana de la herramienta de “spectral unmixing”.

Abundance band name suffix: sufijo que se añadirá a cada nombre del endmem-
ber para construir el nombre de la banda de abundancia correspondiente.
Error band name suffix: sufijo que se añadirá a cada nombre de los endmem-
bers para identificar las bandas de error de estimación generadas como re-
sultado. Las bandas de error se calcularán si se activa la opción “Compute
error bands”.
Spectral unmixing model: tipo de restricciones que se imponen al modelo de
mezcla lineal. Existen tres opciones: no restringida (en la que las abundan-
cias pueden tomar cualquier valor), restringida (las abundancias deben sumar
la unidad) y totalmente restringida (las abundancias deben sumar la unidad
y, además, ser positivas); por defecto se utiliza el modelo restringido.
Minimun spectral bandwidth: ancho de banda mínimo para que una longitud
de onda en el espectro de un endmember se considere correspondiente a una
banda del sensor.

Endmembers: se muestra la lista de espectros de endmembers. Estos espectros patrón

162
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.85. Imagen MERIS RGB en color real (7, 5, 2) y combinación RGB de las tres bandas de
abundancia resultantes de la clasificación por Spectral Unmixing (con los endmembers de la figura 4.84)

o de referencia, se seleccionan desde archivos CSV, previamente generados, con


espectros de cada una de las clases que intervienen en el cálculo. Para añadirlos se
emplea el botón . También se pueden eliminar, uno a uno ( ) o todos a la vez
( ). Una forma sencilla de identificar espectros y crear una biblioteca espectral
en archivos CSV, tal y como se ha explicado anteriormente (en la página 113), es
mediante la herramienta “Spectrum view”. Al abrir el fichero CSV, los espectros
que contiene serán representados en el gráfico en la parte inferior derecha de la
ventana (véase figura 4.84). Los espectros importados se pueden exportar en un
único fichero CSV con el botón .

El resultado del algoritmo son una serie de bandas (una por cada endmember) en las
que se pondera, en cada pixel, la abundancia o porcentaje aportado por el espectro del
respectivo endmenber al espectro del pixel en cuestión en la imagen (figura 4.85).

K-Means Cluster Analysis

Se trata de una herramienta para realizar clasificaciones no supervisadas en la ima-


gen. Literalmente, el objetivo es clasificar los píxeles de la imagen en k grupos o clusters
en función de su vecindad respecto al centroide de cada cluster (centroide calculado
como media vectorial de los píxeles de cada cluster).

163
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.86. Ventana de la herramienta de clasificación k-means: selección de producto a clasificar y ruta
del archivo de salida.

Esta clasificación es muy rápida y es viable aplicarla a grandes conjuntos de datos.


No obstante, no es demasiado precisa y ofrece desviaciones en cuanto a la escala, corre-
lación de datos y varianza dentro de los subconjuntos. Este algoritmo se aconseja para
una primera clasificación del conjunto, así como para el análisis de grandes cantidades
de datos.
La ventana que se abre al lanzar esta herramienta consta de dos pestañas.

I/O Parameters: nombre y ruta de los archivos de entrada y salida (figura 4.86).

Source Product: producto sobre el que se aplicará el algoritmo de clasificación.


Se puede escoger entre los productos abiertos en VISAT o, a través del botón
situado en la parte derecha, abrir un fichero con un nuevo producto.
Target Product: características del producto que se va a generar: nombre, forma-
to y directorio donde se quiere que dicho producto sea almacenado. Además,
la opción “Open in VISAT”, hace que dicho producto sea abierto automáti-
camente por el programa tan pronto como haya sido generado.

Processing Parameters: como parámetros de cálculo, se indican el número de clusters


o subconjuntos, el número de iteraciones a realizar entre los píxeles, las bandas
fuente a utilizar y la máscara que determina el ROI (figura 4.87). Además, dado

164
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.87. Ventana de la herramienta de clasificación k-means: selección de bandas usadas en la


clasificación.

que el método de k-Means parte de una asignación aleatoria de los píxeles a cla-
ses, se puede elegir la semilla aleatoria (random seed), para poder reproducir la
clasificación.

En este ejemplo, se han selecionado 6 clusters, 10 iteraciones, todas las bandas como
datos fuente, y la banda 7 en la región de interés que contiene toda la imagen. El resultado
es la imagen de la figura 4.88, en la que aparecen distintos tipos de vegetación y suelo. En
la leyenda, además de las etiquetas que asigna el método de clasificación no supervisado,
se han incluido el tipo de cubierta a partir de un análisis visual de la imagen.

EM Cluster Analysis

El algoritmo “Expectation Maximization Cluster Analysis” es una generalización


del algoritmo k-means clustering donde los clusters se determinan asumiendo que son
elipsoides situados alrededor del centroide de sus píxeles y con sus ejes dados por las
direcciones principales de la matriz de covarianzas de los píxeles que lo forman.
El EM cluster analysis, al asumir una distribución gaussiana dentro de las clases,
pretende subsanar las deficiencias del método k-means, que sólo se basa en distancias

165
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 4.88. Imagen clasificada con k-means en seis clases (corresponde a la misma área de la figura 4.85).

entre clases. Como consecuencia, es mucho más lento en el procesado.


La ventana que se abre al lanzar esta herramienta consta de dos pestañas.

I/O Parameters: nombre y ruta de los archivos de entrada y salida, idéntica a la de la


herramienta k-means (figura 4.86).

Processing Parameters: también idéntica a la de la herramienta k-means excepto por-


que ofrece la posibilidad de incluir las estadísticas proporcionadas por el cálculo
dentro del producto de salida.

Como ejemplo, se tomarán los mismos parámetros que en el anterior apartado para k-
means: 6 clusters, 10 iteraciones, todas las bandas como fuente, y la banda 7 como indi-
cadora de la ROI que abarca toda la imagen. El resultado de la clasificación se muestra
en la imagen de la figura 4.89.

166
BEAM SOFTWARE LIBRE DE LA ESA

Figura 4.89. Imagen clasificada con el algoritmo “EM cluster” en seis clusters (corresponde a la misma
área de la figura 4.85). El algoritmo detecta como una clase independiente los píxeles de mezcla
introducidos por la corrección atmosférica en la separación tierra-agua.

167
C APÍTULO 5
EL WATER PROCESSOR (BEAM/VISAT 4.5.1)

La eutrofización es un proceso, natural o provocado por el ser humano, en el cual la


concentración de nutrientes en el sistema aumenta con el tiempo. Cuando este aumento
se produce repentinamente en un breve espacio de tiempo, puede estar asociado a un
aumento de la producción primaria por crecimiento del fitoplancton, lo que recibe el
nombre de “bloom” algal. Ya que el fitoplancton realiza fotosíntesis, sus células contie-
nen pigmentos fotosintéticos entre los cuales el más importante en cuanto a cantidad y
funcionalidad es la clorofila-a, pigmento que contienen todos los organismos fitoplanc-
tónicos.
Las masas de agua continentales influenciadas por el clima mediterráneo presentan
cierta tendencia a la eutrofización. Existen dos factores propios del clima mediterráneo
que, de forma natural, propician el proceso de eutrofización: periodo de estío en el que
aumentan las horas de insolación, y la dinámica mono o dimíctica, y la consecuente
estratificación estacional de la columna de agua, como la que se puede observar en la
figura 3.19 (página 88).
Sin entrar en profundidad, el proceso de mezcla y homogenización de la columna de
agua hace que los nutrientes, que normalmente se encuentran en el fondo, afloren hasta
la zona fótica donde son asimilados por el fitoplancton dando lugar a un “bloom algal”.
La eutrofización de masas de agua continentales es un serio problema en la gestión
de recursos hídricos. La influencia de la agricultura y ganaderías intensivas son fuentes
importantes de fósforo y nitratos (fertilizantes, purines, incluso derivados de detergentes)
que, por lixiviación, son arrastrados hasta las masas de agua. La incorrecta o insuficien-
te depuración de aguas residuales, también aporta un exceso de nutrientes a las aguas
que las reciben. El incremento de la población de fitoplancton implica que el consumo
de oxígeno en el agua aumenta, especialmente por la noche. Como el oxígeno en aguas
tranquilas es limitado y, más aún, cuando la temperatura del agua es elevada, muchos
animales acuáticos perecen asfixiados. Por otra parte, cuando el fitoplancton muere, se
sedimenta formando fangos anaerobios en los que la degradación anóxica produce sub-
productos como el ácido sulfhídrico y el metano, responsables del mal olor en el agua
estancada. Sumado al característico color verde de estas aguas, crea problemas para el
consumo y aumentan los gastos de potabilización.

169
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Todos estos factores hacen necesario un seguimiento de la calidad de las aguas conti-
nentales. Para ello, la teledetección debe proporcionar no sólo una resolución y cobertura
periódica adecuadas, sino información en bandas apropiadas para el estudio de las masas
de agua. Aunque MERIS está diseñado para el estudio de masas de agua oceánicas, su
configuración de bandas también proporciona una información valiosa en el caso aguas
continentales. La herramienta Water Processor de la ESA, nació con la idea de ser una
herramienta genérica que sirviera para estudiar las aguas continentales con MERIS. Sin
embargo, las diferentes características de las distintas aguas europeas han mostrado que
la herramienta debe calibrarse para cada tipo de agua, en particular, según las diferentes
concentraciones de CDOM, sólidos en suspensión y distinto tipo de fitoplancton.

1. EJEMPLO DE LA ALBUFERA DE VALENCIA COMO LAGO EUTRÓFICO

La Albufera de Valencia, se halla a unos 15 km del extremo sur de la ciudad de


Valencia, y constituye el mayor lago de la Península Ibérica (López García y Caselles,
1988). El lago de la Albufera es un antiguo golfo marino reconvertido en lago de aguas
dulces. En la actualidad, se estima que el lago posee una superficie de unas 2800 ha
aproximadamente.
Antiguamente abarcaba una mayor extensión pero, debido a los cultivos de arroz y a
que tiende a colmatarse, su superficie se ha ido reduciendo.
Desde el año 1990, el Parque Natural está incluido en la lista de humedales de im-
portancia internacional para las aves, establecida en virtud del Convenio de Ramsar de 2
de febrero de 1971, y desde el año 1991 es también ZEPA (Zona de Especial Protección
para las Aves). Presenta una gran variedad de hábitats que permiten la existencia de una
gran diversidad global de especies de fauna y flora.
Aunque se trata de un espacio natural protegido, está íntimamente ligado y afectado
por la principal actividad agraria de la zona: el cultivo de arroz.
La Albufera está alimentada por una extensa red de acequias y barrancos que con ma-
yor o menor caudal de agua, son los que mantienen en equilibrio dinámico y que, en con-
junto, suponen una superficie de 917 km2 . También son desviados al lago los excedentes
derivados de los ríos Turia y Júcar, que aportan cantidades del orden de 110 hm3 /año.
El manejo de la apertura y cierre de las compuertas de las tres golas está a cargo de
la Junta de Gobierno de la Comunidad de Desagüe de la Albufera que, al mismo tiempo,
mantiene el nivel de las aguas en consonancia con las necesidades del cultivo del arroz
e impide la entrada de agua del mar al interior del lago.

170
E L WATER P ROCESSOR

Figura 5.1. Ubicación de la laguna de la Albufera de Valencia. Mosaico SPOT 2009, elaborado en el
Instituto Geográfico Nacional para el Plan Nacional de Teledetección (PNT).

171
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Como norma general, las compuertas se cierran el día 1 de noviembre, para volverse
a abrir el 1 de enero. Durante este período, se alcanza el nivel máximo de la Albufera,
ascendiendo el agua de 50 a 60 cm y cubriéndose las 18.000 ha de tierras lindantes con
el lago. El día 1 de enero se abren las compuertas y comienza el desagüe natural de
campos y acequias, que se complementa, a finales de febrero y principios de marzo, con
la ayuda de motores y bombas. Coincide entonces el nivel más bajo de las aguas y la
desecación de los campos de arroz para llevar a cabo labores profundas imprescindibles
para el cultivo. Estas labores desde mediados de marzo a mediados de abril conllevan
también un fuerte abonado de las tierras. A finales de abril, o primeros de mayo, vuelven
nuevamente a cerrarse las compuertas, los campos se inundan de nuevo, esta vez con
menos agua, procediéndose a dar una labor previa a la siembra. Por estas fechas, y hasta
el 15 de mayo aproximadamente, se reparten los pesticidas. Seguidamente, y en el mes de
junio, se extrae parcialmente el agua de los campos con objeto de abonarlos nuevamente.
El nivel de la Albufera continúa bajo hasta la llegada del primero de noviembre, que
comienza de nuevo el ciclo anual. Este sistema de renovación del agua es vital para un
ecosistema hipereutrófico como es el lago de la Albufera.
El lago no posee prácticamente corriente, por lo que se deposita la casi total sedi-
mentación de los contaminantes más pesados en sus fondos. Esta acumulación de con-
taminantes permanece concentrada al permanecer cerradas las compuertas de desagüe
durante algunos meses al año.
Deben tenerse en cuenta, también, los vertidos de aguas residuales urbanas e indus-
triales procedentes de los núcleos urbanos y de los polígonos industriales próximos al
parque, ya que la depuración de las aguas no siempre es tan satisfactoria como se espera,
especialmente en los procesos de reducción de nutrientes.
Concretamente, la contaminación que sufre el lago de la Albufera hace que tenga
todas las características de un sistema hipereutrófico extremo:

Aguas muy poco profundas, no estratificadas, de forma que los sedimentos y los
nutrientes que contienen pueden ser resuspendidos fácilmente en el agua por la
acción del frecuente viento.

Abundancia de fitoplancton. El exceso de nutrientes favorece un desarrollo des-


medido de la materia vegetal fotosintetizadora.

Algas y peces están sometidos a grandes crecimientos y a grandes mortalidades.

Los ciclos de oxígeno y de nutrientes están desequilibrados.

172
E L WATER P ROCESSOR

Por ello la Albufera de Valencia es un ejemplo extraordinario de sistema acuático hi-


pereutrófico y así lo hemos escogido como ejemplo para aplicar la herramienta Water
Processor de BEAM en el caso de Lagos Eutróficos mediterráneos.

2. EL WATER PROCESSOR DE BEAM

La herramienta Water Processor de BEAM está compuesta por dos algoritmos di-
ferentes, uno para lagos boreales, los cuales están caracterizados por tener altas con-
centraciones de materia orgánica disuelta, y otro para lagos eutróficos, los cuales están
normalmente caracterizados por tener concentraciones de clorofila-a en el rango de va-
rios cientos de miligramos por metro cúbico.
El objetivo de esta herramienta, en la que se centra este capítulo, es calcular pro-
ductos de Nivel 2 a partir de productos de Nivel 1b para lagos eutróficos. La propia he-
rramienta incluye un algoritmo para corrección geométrica y un algoritmo para calcular
propiedades del agua, como las propiedades ópticas inherentes (absorción y dispersión)
y las concentraciones de sólidos en suspensión y clorofila-a, a partir de las radiancias
medidas en la superficie del agua (después de haber aplicado la corrección atmosférica).
La entrada de estos algoritmos (Doerffer & Schiller, 2008) son las reflectancias que
provienen de zonas de agua correspondientes a 8 bandas de MERIS. Estos datos son
la salida de la corrección atmosférica que la propia herramienta aplica. Los algoritmos
derivan información sobre:

propiedades ópticas inherentes a la dispersión total por partículas: btsm (total sus-
pended matter)

el coeficiente de absorción de pigmentos de fitoplacton: a pig

la absorción por materia orgánica disuelta: agelb (gelbstoff )

todo ello usando la banda 2 de MERIS (443 nm). Las concentraciones de clorofila-a,
fitoplacton y sólidos en suspensión se calculan a partir de estas propiedades ópticas. La
concentración de clorofila-a se calcula a través de la relación entre absorción a pig y la
concentración, mientras que el peso en seco de los sólidos en suspensión se calcula por
su relación con btsm . Además también se deducen:

el coeficiente de atenuación para la irradiancia downwelling (Kd ) a la longitud de


onda en la que la transparencia es máxima (Kd,min )

173
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

la señal de profundidad zm , que indica la profundidad desde la que proviene el


90 % de la luz reflejada (es decir, del primer espesor óptico definido en el capítulo
3).

El algoritmo se basa en redes neuronales que relacionan las reflectancias bidireccionales


del agua con las variables anteriormente citadas. Dichas redes han sido entrenadas con
reflectancias simuladas a través de un modelo bio-óptico que está basado en un conjunto
de datos de muestras recogido en lagos de Finlandia y España.
El diseño del algoritmo descrito en el ATBD (Algorithm Theoretical Basis Docu-
ment) de esta herramienta corresponde al algoritmo derivado para lagos boreales, basado
en los datos bio-ópticos tomados en Finlandia. En un apartado posterior, se comentan las
diferencias con el algoritmo de lagos eutróficos entrenado con datos de lagos españoles.
Como las medidas simultáneas de concentraciones y reflectancias de la misma masa
acuática son escasas y, por tanto, no cubren el espacio de datos con suficiente densidad,
el entrenamiento de las redes neuronales se ha llevado a cabo con un conjunto lo sufi-
cientemente extenso (< 80000 entradas) de datos simulados por un modelo, que es una
versión especial del código de transferencia radiativa HYDROLIGHT (Mobley 1994),
junto con el modelo bio-óptico que relaciona los coeficientes de absorción y dispersión
con las concentraciones.
El modelo calcula la distribución angular de radiancias (que provienen de la masa
acuática) en 12 bandas MERIS para concentraciones / propiedades ópticas inherentes
(IOPs) de componentes del agua, dadas. Estas distribuciones angulares se muestrean en
un rango de ángulos adecuado para obtener las entradas de la tabla que servirá para
entrenar las redes neuronales: tres IOPs, tres ángulos y 8 (de 12) reflectancias.
Para evitar la extrapolación del conjunto de entrenamiento, las redes neuronales de-
ben aprender la variabilidad de las IOPs de los componentes del agua, así como los
errores en las reflectancias causados, tanto por el instrumento de medida, como por la
corrección atmosférica.
Han sido entrenadas dos redes neuronales con este conjunto:

1. invNN: emula el modelo inverso, es decir, calcula concentraciones a partir de las


reflectancias y la geometría: c = Fg−1 (r)
2. forwNN: emula el modelo directo obteniendo reflectancias a partir de las concen-
traciones y la geometría: r = Fg (c)

En el segmento de tierra de MERIS, ambas redes neuronales han sido combinadas para

174
E L WATER P ROCESSOR

obtener una nueva red neuronal, la cual usa primero la parte invNN para obtener una esti-
mación de las concentraciones. Después, esas concentraciones, junto con la información
de la geometría, se introduce en la parte forwNN. Las reflectancias obtenidas de forwNN
se comparan con las medidas. Por este procedimiento de validación cruzada, se obtiene
una medida de la calidad del cálculo mediante este método. Grandes diferencias en las
reflectancias indican que no se cumple la condición necesaria para la correcta inversión;
a los pixeles en los que esto ocurre, se les asigna el correspondiente flag.
Después de la comparación entre ambas reflectancias, se insertan las etapas del al-
goritmo correspondientes a la optimización, cuya función es aumentar el acuerdo entre
las concentraciones y las reflectancias ajustando de manera iterativa la estimación de
las concentraciones. Para ello se utiliza el algoritmo de minimización de Levenberg-
Marquardt.

2.1. Modelo bio-óptico

En el agua de los lagos hay un gran número de sustancias, con diferentes propiedades
ópticas. Para su estudio mediante teledetección, esta gran diversidad de sustancias tiene
que ser agrupada en un número pequeño de clases, cada una de las cuales contenga
sustancias con propiedades ópticas parecidas y/o concentraciones correlacionadas. En la
mayor parte de las áreas de los océanos del mundo, con una clase que usa la clorofila-a
del fitoplancton como indicador, es suficiente. Sin embargo en muchas aguas costeras,
lagos y ríos, se necesita más de una clase para describir la variabilidad del color del agua.
Por tradición y experiencia se definen tres clases:

1. Fitoplancton con pigmento de clorofila-a

2. Sólidos en suspensión

3. La absorción por materia orgánica disuelta (gelbstoff )

Sin embargo, cada uno de estos grupos de sustancias es variable con respecto a su com-
posición y, por lo tanto, también con respecto a sus propiedades químicas, físicas y, en
particular, ópticas. Cualquier sistema de teledetección y cualquier algoritmo de cálculo
debe tener en cuenta esta variabilidad.

175
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN



  
  










     





Figura 5.2. Coeficientes de absorción a pig (λ) calculados para las longitudes de onda de las bandas de
MERIS (nótese la escala logarítmica en los coeficientes de absorción). Datos tomados de ATBD del Water
Processor v1.0.

2.2. En el caso de lagos españoles

Fitoplancton

El “Eutrophic Lakes Processor”, tiene el problema de que existe una gran cantidad
de ficocianina en los lagos de este tipo, debido a una gran concentración de cianobacte-
rias. Con los datos actualmente disponibles no es posible dividir la fracción de pigmento
en dos componentes, como se requiere para determinar la ficocianina independiente-
mente de la clorofila-a. Por lo tanto, este algoritmo usa un coeficiente de absorción de
pigmentos de fitoplancton específico para cada banda, que se ilustra en la figura . 1
El rango de concentraciones de fitoplancton que proporciona esta herramienta está
entre 1 y 120 mg m−3 .

Sólidos en suspensión (TSM)

Se definen como partículas, todas aquellas sustancias que son retenidas en un filtro
con tamaño de poro 0,45 μm.

1
Para los lagos boreales se usa una función exponencial dependiente de la longitud de onda.

176
E L WATER P ROCESSOR

El TSM se caracteriza por la dispersión y, en este caso el water processor, toma:

T SM[g m−3 ] = 1,7 × bT SM (443)


donde el coeficiente de dispersión, bT SM (443), toma valores entre 0,25 m−1 y 30,0 m−1 .
Y la dependencia espectral de la dispersión de los sólidos en suspensión es, al igual que
en los lagos boreales:

 0,705
443
bT SM (λ) = bT SM (443) ×
λ

Sustancia amarilla

La sustancia amarilla, responsable del coeficiente de absorción lineal, agelb , se define


como la absorción en 443 nm de todos los componentes del agua que pasan a través de un
filtro con tamaño de poro 0,2 μm. Para este coeficiente se supone una expresión similar
a la anterior, en la forma
 
443 ε
agelb (λ) = agelb (443) ×
λ

La sustancia amarilla se dividió en dos componentes independientes para este tipo de


lagos:

ácidos fúlvicos con un exponente ε = 0,022

ácidos húmicos con un exponente ε = 0,008

El rango del coeficiente agelb (443) se tomó entre 0,1 y 3,0 m−1 .

2.3. Redes neuronales

Como ya se ha comentado, se han entrenado dos redes neuronales. La directa es


30x15_88.8forw.net y la inversa 60x20_586.8inv.net.
Las entradas son las bandas 2-7, 9 de MERIS y los tres ángulos. La banda 1 se omitió
debido a la incertidumbre en la calibración.

177
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Salidas de la redes neuronales

Concentración de clorofila-a, dentro del rango 1 − 120 mg m−3 .

Peso en seco de los sólidos en suspensión, en el rango 0,42 − 50,9 g m−3 .

Coeficiente de absorción de la componente de los ácidos fúlvicos

Coeficiente de absorción de la componente de los ácidos húmicos

Además, se proporcionan las siguientes propiedades ópticas: a pig , bT SM , atot (coeficiente


de absorción total), zm,max (m), Kd,max (m−1 )

2.4. Aplicabilidad del algoritmo

Con esta herramienta, y las imágenes MERIS de que se dispone, se van a calcular las
concentraciones de clorofila-a y de ficocianina en los puntos de campo para los cuales
se tienen datos medidos in situ.
Este estudio se ha hecho para el lago de la Albufera de Valencia utilizando datos de
los días:

23/06/2006

24/06/2006

13/07/2006

11/08/2006

27/09/2006

Los cálculos que se van a mostrar a continuación corresponden a las imágenes tomadas
el día 27/09/2006.
El primer paso a seguir es aplicar la herramienta a las imágenes de nivel 1b. La
manera de hacerlo es la mostrada en la figura 5.3.
La interfaz de acceso a esta herramienta muestra tres pestañas diferentes.

178
E L WATER P ROCESSOR

Figura 5.3. Ventana del programa VISAT que muestra cómo aplicar la Herramienta Water Processor en el
caso de lagos eutróficos.

Read Me: esta pestaña proporciona información general (figura 5.4) acerca de los algo-
ritmos que utiliza dicha herramienta, que han sido generados de manera externa al
programa en un esfuerzo conjunto entre el HZG Centre for Materials and Coas-
tal Research y Brockmann Consult. Esta información tiene como objetivo explicar
la finalidad del proyecto en el que se han desarrollado los algoritmos, así como
referenciar a los documentos científicos derivados del desarrollo y la cvalidación.

I/O Parameters: se indican la ubicación y el nombre de la imagen con la que se quiere


trabajar, así como la ubicación y el nombre del producto que se va a generar (figura
5.5).

Input product file: nombre y ubicación del fichero que contiene el producto con
el que se quiere trabajar. Un botón en la parte derecha de este campo permite
abrir un navegador para seleccionar el fichero.
Output product file: nombre y ubicación del fichero que contiene el producto de
salida. La ruta al fichero se puede elegir al igual que en el fichero de entrada.
Output product format: formato en que se quiere guardar el nuevo producto.
El formato por defecto es el BEAM-DIMAP, pero también se puede elegir
GeoTiff o HDF5.

179
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 5.4. Primera ventana que presenta la herramienta Water Processor en la que se obtiene información
útil a cerca de los algoritmos usados.

Figura 5.5. Ventana que permite escoger las características de entrada y salida de los ficheros usados por la
herramienta Water Processor.

Log filename prefix: nombre del archivo de logs del cálculo, que se creará en el
mismo directorio que el producto de salida si se activa la opción “Extra log
output directory”.

Processing Parameters: esta pestaña, mostrada en la figura 5.6, informa sobre los pa-
rámetros internos de cálculo del algoritmo, permitiendo además su manipulación.

Una vez aplicada la herramienta, se genera un producto nuevo en el que se dispone de


las bandas mostradas en la figura 5.7.

180
E L WATER P ROCESSOR

Figura 5.6. Ventana de la herramienta Water Processor que muestra y permite la manipulación de los
parámetros internos del algoritmo.

Figura 5.7. Bandas generadas por la herramienta Water Processor cuando se aplica a una imagen MERIS.

Las concentraciones de clorofila-a y ficocianina se pueden también calcular a partir


de las siguientes bandas:

a_pig: está relacionada con la concentración de clorofila-a, por lo que la concen-

181
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 5.8. Producto generado por “Water Processor” que muestra la concentración de clorofila-a (en
mg/m3 ) en un zoom sobre la Albufera de Valencia.

Figura 5.9. Distribución de la concentración de Ficocianina (en mg/m3 ) en el lago de la Albufera de


Valencia calculado a partir de productos generados por “Water Processor”.

tración de clorofila se calculará de la forma:

[Chla](mg/m3 ) = a_pig/0,0318 (5.1)

a_tot: está relacionada con la concentración de pigmentos de fitoplacton (clorofila-


a + ficocianina), por lo tanto, la concentración de ficocianina se calculará de la
forma:
[ficocianina](mg/m3 ) = (a_tot − a_pig)/0,0318 (5.2)

El aspecto de dichas concentraciones calculadas por Water Processor, y con un realce


aplicado para distinguir mejor las variaciones, es el mostrado en las figuras 5.8 y 5.9,
respectivamente. En el caso de la concentración de clorofila-a (figura 5.8), la imagen
mostrada se corresponde directamente con el campo “chl_conc” suministrado por Water
Processor. Para mostrar la concentración de ficocianina (figura 5.9), una vez aplicado

182
E L WATER P ROCESSOR

Water Processor y con la herramienta Arithmetic Bands de VISAT se ha aplicado la


ecuación (5.2).
La correcta asignación de una leyenda de color a los mapas de concentraciones es un
problema para el cual no existe ninguna norma en la bibliografía (los múltiples artículos
revisados no indican la razón de utilizar una leyenda u otra). El principal criterio a la
hora de diseñar una leyenda es que los colores sean de utilidad y ayuden a distinguir
los valores representados en la cartografía, es decir, que no se confundan un rango y el
siguiente debido a colores similares.
Además de esta norma, existen ciertas convenciones acerca de las tonalidades a em-
plear.
Por ejemplo, se considera que los valores bajos de temperatura deben empezar en
un color azul oscuro y cambiar, progresivamente, hasta el valor más alto en el rojo. Los
rangos de temperatura normalmente son pequeños, por ejemplo, entre 10◦ C y 20◦ C .
En el caso de los mapas de transparencia, la convención es opuesta, los valores más
altos de disco de Secchi se presentan en azul, y los más bajos en rojo. De nuevo, en este
caso, los rangos de variación son pequeños, ya que varían entre 4 m y unos centímetros.
El problema aparece al representar los valores de concentración, sea de algún pig-
mento o de sólidos en suspensión. En este caso, las concentraciones bajas suelen empezar
en el azul, acercándose al rojo según crece el valor, y llegando a la gama de los mora-
dos para los valores más altos. El rango, en este caso, puede abarcar varios órdenes de
magnitud, desde valores menores que 1 mg/m3 a valores superiores a los 1000 mg/m3 .
Esta disparidad, plantea un verdadero problema a la hora de elegir colores distingui-
bles entre sí, y requiere hacer muchas pruebas y adaptaciones de la escala para que ésta
sea útil a la hora de interpretar del mapa.
Una vez obtenidas las concentraciones de clorofila-a y ficocianina, el siguiente paso
es comparar estos valores con los datos de campo obtenidos.
Para saber cuáles son los datos de campo de que se dispone para el día 27/09/2006,
se utilizará la información adquirida por los fluorímetro de clorofila-a y ficocianina y su
localización descargada de los “Waypoints” del GPS. Estos datos han sido obtenidos en
una campaña en la que se han tomado medidas directas a través de muestras en el lago de
la Albufera de Valencia. En este caso la localización de cada punto viene dada a través
de coordenadas UTM. Como en el programa VISAT se va a trabajar con las coordenadas
geográficas latitud y longitud, es preciso hacer un cambio de coordenadas.
Para hacer la transformación y obtener la latitud y longitud exacta de cada punto,

183
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 5.10. Interfaz de un programa de transformación de coordenadas disponible en Internet.


http://www.recursosmarinos.net/gis/cartografia-disponible/conversor-simple

de manera que pueda ser localizado fácilmente en las imágenes, se puede acudir a un
programa de transformación de coordenadas. Existen multitud de programas de este tipo
disponibles de manera gratuita en la red. La figura 5.10 muestra un ejemplo de ello.
Una vez que se tienen las coordenadas geográficas de cada uno de los puntos de
campo, se localizan y almacenan como GCPs en la imagen correspondiente a través de
la herramienta “GCP Manager” con el programa VISAT tal como muestra la figura 5.11.
Una vez que se tienen localizados, se leen los datos de las concentraciones obtenidas
a través de “Water Processor” en cada punto donde existen datos de campo, y se com-
paran con las concentraciones medidas in situ. El gráfico de la figura 5.12 muestra, para
cada punto donde se tienen datos de campo, las concentraciones de clorofila-a y ficocia-
nina obtenidas con “Water Processor” y las medidas de campo del día 27 de septiembre

184
E L WATER P ROCESSOR

Figura 5.11. Interfaz del programa VISAT donde se muestra la ventana de la herramienta “GCP Manager”
con los datos de campo introducidos así como una imagen de un zoom sobre la Albufera de Valencia con
la localización de dichos puntos.

de 2006. Se observa una gran divergencia entre estos conjuntos de datos. Esto sucede pa-
ra todas las fechas y puntos de muestreo estudiados, como se observa en la figura 5.13,
en la que se puede ver la disparidad de escalas en los ejes y la débil correlación para los
datos de clorofila-a.
El Water Processor presenta un error de partida importante, y es que no admite otra
corrección atmosférica que no sea la que lleva incorporada. En la comparación realizada
en un lago hipereutrófico, y presentada en el PNT en el 2009 por los investigadores de la
universidad de Valencia, se demuestra que existe una diferencia de forma y valores entre
los datos de campo y la corrección realizada por BEAM.
El Water Processor de BEAM, basado en una red neuronal, debe partir de unos valo-
res de entrada adecuados. Si se ha visto que dichos valores de entrada no son correctos,
lógicamente, el resultado de la red no puede presentar resultados correctos, por lo que se
sigue investigando en ello para su mejora (Arroyo, 2009).

185
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

450

400 Ficocianina
(Water
Concentración (mg/m )
3

350 Processor)
300
Ficocianina
250 (campo)

200 Clorofila-a
150 (Water
Processor)
100
Clorofila-a
50 (campo)
0
06926P1 06926P3 06926P5 06926P7 06926P9
puntos de muestreo

Figura 5.12. Gráfico que muestra las concentraciones de clorofila-a y de ficocianina obtenidas para el lago
de la Albufera de Valencia (27 de septiembre de 2006).

250

200
[Cla (campo)] (mg/m )
3

150

100

24/06/2006

50 13/07/2006
11/08/2006
27/09/2006

0
6 7 8 9 10 11 12
3
[Cla (water processor)] (mg/m )

Figura 5.13. Correlación de la concentración de clorofila-a calculada por el Water Processor frente a la
medida de campo para el lago de la Albufera de Valencia en distintas fechas.

186
C APÍTULO 6

OBTENCIÓN DE ALGORITMOS DE PARÁMETROS DE CALIDAD DE AGUAS

En el análisis de imágenes de sensores remotos, es muy importante conocer y aplicar


algoritmos que permitan extraer la información en cuanto a un determinado parámetro.
En el estudio de las masas de agua continentales, existen varios algoritmos que ope-
ran con la información espectral de la imagen y a partir de los cuales podemos obtener
el valor de la concentración de clorofila-a en el agua, la concentración de sólidos en sus-
pensión, la profundidad del disco de Secchi, etc. para cada píxel. Esto permite, además,
realizar una cartografía temática sobre un determinado parámetro para la masa de agua
analizada.
La obtención de algoritmos en teledetección, en este caso en la aplicación al estudio
de masas de agua, consiste fundamentalmente en extraer información del espectro en la
imagen y operar con los datos de las diferentes bandas del sensor, para obtener como
resultado una ecuación cuya solución será el valor que toma el parámetro de estudio en
un pixel concreto.
Para la obtención de modelos es necesario poseer datos de campo que permitan co-
rrelacionar los datos adquiridos por el satélite con valores reales. Es necesario hacer
medidas reales en una campaña de varios días, coincidiendo con la adquisición de las
imágenes. Esto permite, por un lado obtener el algoritmo y también, por validación cru-
zada, evaluar su eficacia.
Una imagen multiespectral contiene datos de radiancia o reflectancia en distintas
bandas centradas en determinadas longitudes de onda. Una idea de las bandas a usar
puede obtenerse a partir del espectro del elemento bajo estudio, que proporcionará sus
características de absorción y reflectividad a distintas longitudes de onda. Si la imagen de
satélite poseen datos en esas longitudes de onda, se pueden usar esas bandas, por sí solas,
o bien, combinadas mediante alguna operación aritmética, para obtener una correlación
entre los datos de campo y los datos medidos por el satélite.

187
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

1. OBTENCIÓN DE ALGORITMOS

Uno de los objetivos de usar la teledetección en el estudio de aguas es poder estable-


cer la calidad de dicha agua, sin necesidad de visitar el lugar, siempre que sea necesario.
Para ello hay que encontrar relaciones entre la radiancia medida por el satélite y los dis-
tintos parámetros que nos permiten conocer la calidad del agua. La metodología a seguir,
utilizando las herramientas descritas en el capítulo 4, es la siguiente:

1. En primer lugar, es necesario obtener los siguientes datos:

Medidas de campo de diferentes días, que proporcionen la cobertura sufi-


ciente para abarcar las diferentes áreas de la masa de agua bajo estudio.
Imágenes de un satélite para los mismos días en que se ha realizado la toma
de muestras en campo.
Por ejemplo, imágenes MERIS de varios días sobre el lago de la Albufera,
así como datos de clorofila-a, sólidos en suspensión, ficocianina, etc., en
distintos puntos de dicho lago.

2. Las imágenes se abrirán con un programa y, si no han sido corregidas atmosféri-


camente, se les aplicará un algoritmo de corrección atmosférica. También, si no
están georreferenciadas, será necesario realizar una buena georreferenciación. Es-
te paso es especialmente importante para realizar un buen estudio multitemporal,
en el que tienen que coincidir pixel a pixel todas las imágenes a utilizar. Si abri-
mos las imágenes con VISAT, las someteremos a un preprocesado con BEAM y, a
usando el “GCP manager” de VISAT, llevaremos a cabo la corrección geométrica.

3. Con las imágenes preprocesadas, se buscan los puntos de muestreo sobre los que
se han hecho las medidas. Es necesario conocer las coordenadas así como el proto-
colo de toma de muestras (es posible que el modo de tomar y analizar las muestras
sea relevante). En VISAT se usará la herramienta “Pin manager”.

4. Una vez localizados los puntos de control en la imagen, se observa el espectro en


dichos puntos, especialmente los máximos y mínimos de reflectancia. El espectro
indica la respuesta del agua en esa zona, la cual viene dada, entre otros factores,
por los parámetros físicos que se han medido in situ (concentraciones de pigmen-
tos, sólidos en suspensión, etc.). Es necesario por tanto, encontrar una correlación
entre el espectro obtenido por el satélite y los valores reales de esos parámetros.
Es posible, además, comparar estos espectros, con los obtenidos en campo para
tener una idea de la fiabilidad de la imagen (figura 6.1).

188
O BTENCIÓN DE ALGORITMOS DE CALIDAD DE AGUAS



 



  











     





Figura 6.1. Comparación del espectro de campo medido in situ con el obtenido a partir de un píxel de la
imagen MERIS, corregida atmosféricamente.

5. Paralelamente, se estudian las características que presenta el parámetro bajo estu-


dio, como por ejemplo los picos de absorción o reflectancia de dicha sustancia.
Si el satélite posee una o varias bandas cuya longitud de onda coincide con alguna
de éstas características, se usan dichas bandas para obtener la correlación entre los
datos de campo y la imagen por satélite.
Es posible que sea necesario realizar combinaciones entre las bandas para ob-
tener un resultado satisfactorio, como por ejemplo el índice normalizado: (Bx −
By )/(Bx + By ).
Las operaciones entre bandas se llevan a cabo con la herramienta “Band Arithme-
tic” de VISAT, la cual generará una nueva banda con la información de la opera-
ción seleccionada. De este modo se conoce el valor de la operación entre bandas
para cada punto de campo.
Por ejemplo, en el caso del estudio de la clorofila-a, el espectro presenta dos picos
de absorción en el visible, uno en torno a los 400 − 500 nm, y otro en la zona
roja del espectro (600 − 700 nm), y un mínimo de absorción entre ambos, como
se muestra en la figura 6.2.
Por otro lado, se conoce el fenómeno de fluorescencia que está asociado con una
transición no radiativa de un fotón absorbido en la zona del rojo. Éste se manifiesta
como luz emitida a una longitud de onda levemente mayor (energía por lo tanto,
menor) que la de la banda de absorción de la clorofila-a. La longitud de onda para
la fluorescencia ocurre entre 662 y 728 nm.

189
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

aacetona

350 400 450 500 550 600 650 700 750

λ (nm)

Figura 6.2. Espectro de absorción de la clorofila-a (espectro patrón del HPLC, Agilent Technologies).

Figura 6.3. Pins en los puntos de muestreo del día 27 de septiembre de 2006 con la información del índice
normalizado para las bandas 9 y 7 de MERIS.

Conociendo estas características sobre la clorofila-a, y partiendo de imágenes ME-


RIS, se pueden usar las bandas 9 (705 nm) y 7 (665 nm), que corresponden a las
longitudes de onda para la cual se produce la fluorescencia de referencia y un má-
ximo relativo de absorción de la clorofila-a, respectivamente. Con estas bandas se
calcula el índice normalizado en BEAM, (B9 − B7)/(B9 + B7), y se obtiene su
valor para cada punto de muestreo (figura 6.3).

6. Una vez realizados los pasos precedentes, se habrá calculado, a partir de las imá-
genes de satélite, un valor resultante de la operación entre bandas de la imagen,
en cada pin o punto de muestreo. Por otro lado, se posee, para cada uno de esos
puntos, el valor real que la característica en estudio presente el día que se capturó
la imagen.
Los datos de campo se representan frente a los obtenidos en BEAM y se ajustan
a la ecuación que proporcione menor error (figura 6.4). Si el ajuste no es lo sufi-

190
O BTENCIÓN DE ALGORITMOS DE CALIDAD DE AGUAS

250
[Cla] = 377,24 (B9-B7)/(B9+B7) - 22,151
2
R = 0,6227
200
[Cla (campo)] (mg/m³)

150

100

50

0
0,2 0,3 0,3 0,4 0,4 0,5 0,5 0,6 0,6

(B9-B7)/(B9+B7)

Figura 6.4. Representación de la concentración de clorofila-a determinada por HPLC a partir de datos de
campo, frente al índice normalizado de la reflectividad (corregida con SCAPE-M_B2) de las bandas 9 y 7
de MERIS. Los datos corresponden al muestreo en la Albufera de Valencia descrito en la página 178.

cientemente bueno, habrá que buscar una nueva combinación de bandas y probar
de nuevo hasta conseguir una buena aproximación. La ecuación obtenida de este
modo es la relación que se estaba buscando.

7. Una vez conseguido un ajuste óptimo de los datos, se podrá usar la ecuación ob-
tenida para conocer el parámetro en estudio sobre distintos lagos. Por último, si
no se han utilizado todos los datos de campo en la obtención del algoritmo, será
posible validar su funcionamiento, comparando el valor predicho por el algoritmo
con el valor real.

2. ALGORITMOS USADOS EN EL ESTUDIO DE CALIDAD DE AGUAS

En los últimos años, y siguiendo la metodología previamente explicada, se han obte-


nido distintos algoritmos para el cálculo de la concentración de clorofila-a y ficocianina
en lagos europeos. Se presentan a continuación algunos de estos algoritmos. Esta línea
de investigación continúa abierta para obtener nuevos parámetros sobre la calidad del
agua (véase el capítulo 8).

191
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

2.1. Algoritmo de clorofila-a

A continuación se presenta un algoritmo utilizado para la determinación de la clorofila-


a. Se trata del algoritmo resultante del estudio realizado por el Centro de Estudios Hi-
drográfico (CEDEX) para evaluar la utilidad de los sensores remotos como herramienta
para la monitorización de los parámetros de calidad del agua en las masas de agua medi-
terráneas (J.A. Domínguez et al. 2011), al que nos referiremos como algoritmo de esti-
mación de pigmentos por calibración directa en campo (EP-CDC) aplicado a clorofila-a
(EP-CDC-Cla).
Para este estudio se llevó a cabo una campaña de muestreo. En ella se tomaron
muestras de agua para determinar por HPLC las concentraciones de los pigmentos foto-
sintéticos clorofila-a y ficocianina, a una profundidad dentro del primer espesor óptico
(el volumen de agua detectado por el sensor MERIS). A su vez, en los mismos puntos
donde se toman las muestras de agua, se tomaron datos de radiometría usando un espec-
troradiómetro de campo ASD-FR y con ellos se construyó una librería espectral. Para
el muestreo se eligieron días en los que el cielo estuviese despejado para asegurar una
buena correlación entre los espectros y las imágenes del sensor remoto. Las característi-
cas espectrales que proporcionan la información para cuantificar las concentraciones de
clorofila-a son:

Fluorescencia de la clorofila-a en 705 nm

Máximo de absorción de la clorofila–a en 665 nm

Máximo de absorción de la clorofila-a en 442 nm

Máxima reflectancia en la banda verde en 560 nm

Estos rangos espectrales están bien representados en las bandas 9, 7, 2 y 5 de MERIS


respectivamente, por lo que el sensor MERIS es una buena herramienta para el estudio
de los pigmentos fotosintéticos mencionados.
Tomando como datos las reflectancias de las bandas B9 y B7 en el punto de muestreo
y realizando la regresión entre los datos de concentraciones de clorofila-a de las muestras
tomadas in situ y las medidas obtenidas con el sensor MERIS, se obtuvo el siguiente
algoritmo:
x0 = 0,663
B5 − B2
x1 =
B5 + B2

192
O BTENCIÓN DE ALGORITMOS DE CALIDAD DE AGUAS

Figura 6.5. Concentración de clorofila-a según el algoritmo EP-CDC-Cla aplicado a una imagen MERIS
del 27 de septiembre de 2006.

B9 − B7
x2 =
B9 + B7

e6,126(x1 −x0 ) para x2 < 0 (R2 = 0,72)
[Chla] = 19,34 (mg/m ) 3
e5,204x2 para x2 > 0 (R2 = 0,93)

En la deducción de este ajuste se consideró aceptable un error de 8,6 mg/m3 en la con-


centración de clorofila-a.
En la figura 6.5 se muestra una cartografía temática de la Albufera utilizando este
algoritmo (en todos los puntos se cumple x2 > 0). La imagen de partida es una imagen
MERIS corregida atmosférica y geométricamente. La corrección atmosférica se llevó a
cabo mediante el modelo de corrección SCAPE-M_B2 (Dominguez et al., 2011a), una
versión mejorada del SCAPE-M de Guanter (2006).
La gráfica de validación de la figura 6.6, muestra el resultado de su aplicación com-
parado con los datos de campo tomados en la Albufera de Valencia tal como se describe
en la página 178.

2.2. Algoritmos de ficocianina

Es posible encontrar en la literatura varios métodos para el cálculo de la concentra-


ción de ficocianina. A continuación se presenta una selección, empezando por los com-
pilados en la revisión de Ruiz Verdú et al. (2008) y finalizando con el de Dominguez et
al. (2011).

193
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

250
[Cla] a = 0,4397 [Cla] + 44,431
R2 = 0,7425
200

[Cla]campo (mg/m )

150

100
23/06/2006
24/06/2006

50 13/07/2006
11/0 /2006
27/09/2006

0
0 50 100 150 200 250 300 350 400

[Cla] (mg/m )

Figura 6.6. Gráfica de validación comparando las medidas de concentración de clorofila-a por HPLC con
los datos proporcionados por el algoritmo de Dominguez et al. (2011) aplicado a imágenes MERIS.

1. Single reflectance ratio algorithm:


Este algoritmo (Schalles & Yacobi, 2000) está basado en la relación entre la razón
de las reflectancias a 650 y 625 nm y la concentración de ficocianina obtenida
durante cuatro años de estudio sobre el lago Carter (Iowa, EE.UU.).
La reflectancia usada en el algoritmo es la razón entre la radiancia por debajo
de la superficie del agua Lu (0− , λ), y la radiancia de un spectralon lambertiano
(Ed (0+ , λ)/π). Ambas cantidades medidas con un ángulo de aceptación de 23◦ .
Si no se poseen estos datos, se puede aplicar el algoritmo con los datos de reflec-
tancia directamente (Rrs , remote sensing reflectance), ya que, al calcular la razón
de reflectancia entre dos longitudes de onda, el factor de conversión desaparece.
El algoritmo se puede expresar como:

PCRAD = 1096,5 {[Rrs (650)/Rrs (625)] − 0,97}

donde
Rrs (λ) = [ρw ]N (0+ , λ) = πLw (0+ , λ)/Ed (0+ , λ)
Lw (0+ , λ), radiancia emitida por el agua corregida por la luz difusa reflejada (Si-
mis et al., 2007)
Ed (0+ , λ), irradiancia sobre la superficie del agua

194
O BTENCIÓN DE ALGORITMOS DE CALIDAD DE AGUAS

2. Semi-empirical baseline algorithm


Este algoritmo (Dekker, 1993) pretende obtener un valor de la disminución del
espectro en torno a R(0− , 624), disminución observada cuando se produce un au-
mento de la concentración de ficocianina.
El algoritmo determina la línea base entre dos bandas a 600 y 648 nm, es decir,
alrededor de la característica de absorción del espectro a 624 nm, atribuída a la
ficocianina.
El algoritmo propuesto para bandas muy estrechas es:

PCRAD = −24,6 + 13686 0,5 R(0− , 600) + R(0− , 648)



−R(0− , 624)

3. Nested semiempirical band ratio algorithm


Este algoritmo ha sido diseñado para ser aplicado a imágenes tomadas con ME-
RIS, usando las bandas 6, 7, 9 y 12 centradas en 620, 665, 709 y 779 nm respecti-
vamente.
La absorción del espectro a 620 y 665 nm se debe, principalmente, al agua y los
pigmentos de fitoplacton (PC y Chl-a a 620 nm y Chl-a a 665 nm), mientras que
la absorción a 709 y 779 nm está dominada por el agua.
El algoritmo presentado es:

Figura 6.7. Concentración de ficocianina según el algoritmo “nested semiempirical band ratio” aplicado a
una imagen MERIS del 27 de septiembre de 2006.

195
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

450

400

350

[ C (campo)] (mg/m ) 300

250

200

150

100

50

0
0 100 200 300 400 500 600 700 00

[ C( )] (mg/m )

Figura 6.8. Comparación entre la concentración de ficocianina en campo y la calculada con el algoritmo
“nested semiempirical band ratio”.


R(709 nm) (0,727 + bb )
PCRAD = 170 − bb − 0,281
R(620 nm)
−0,24 a ph (665 nm)}

donde:
 
R(709 nm) (0,727 + bb )
a ph (665 nm) = 1,47 − bb − 0,401
R(665 nm)

R(779 nm)
bb = 1,61
0,082 − 0,6 R(779 nm)
Usando la herramienta Band Aritmethic, se calculan bb (779) (con la banda 12),
a ph (665) (con las bandas 7 y 9, en 665 y 709 nm, respectivamente) y, por últi-
mo, PCRAD (con las bandas 6 y 9, centradas en 620 y 709 nm, respectivamente),
viniendo el orden dado por la dependencia de estas variables en el algoritmo.

4. Algoritmo de estimación de pigmentos por calibración directa en campo aplicado


a ficocianina (EP-CDC-PC)
Para el cálculo de la concentración de ficocianina, Dominguez et al. (2011) obtie-
nen un algoritmo no lineal basado en las bandas de fluorescencia de la clorofila-a

196
O BTENCIÓN DE ALGORITMOS DE CALIDAD DE AGUAS

Figura 6.9. Concentración de ficocianina según el algoritmo EP-CDC-PC aplicado a una imagen MERIS
del 27 de septiembre de 2006.

450

400

350
[ C (campo)] (mg/m )

300

250

200

150

100

50

0
0 100 200 300 400 500 600 700 00 900 1000

[ C ] (mg/m )

Figura 6.10. Comparación entre la concentración de ficocianina en campo y la calculada con el algoritmo
EP-CDC-PC.

(banda 9, a 705 nm) y de absorción de la ficocianina (banda 6, a 620 nm). Con


estas bandas se calculan las siguientes expresiones para la determinación de la
concentración de ficocianina:

B9 − B6
x=
B9 + B6

PCMAE = 46,478 e5,186x (mg/m3 )


(R2 = 0,92)

197
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

En la deducción de este ajuste se consideró aceptable un error de 13 mg/m3 en la


concentración de ficocianina.

De estos cuatro algoritmos, los únicos aplicables a imágenes MERIS son el nested semi-
empirical band ratio algorithm y el EP-CDC-PC.
Para verificar la fiabilidad de cada algoritmo, se ha aplicado al lago de la Albufera,
y comparado con los datos de campo en los mismos días de la adquisición de las imá-
genes. Las imágenes fueron, previamente corregidas atmosférica y geométricamente. La
corrección atmosférica empleada fue la SCAPE-M_B2 (Dominguez et al., 2011), como
en el anterior caso de la clorofila-a.
Siguiendo estos pasos, se obtienen los valores de concentración de ficocianina para
el lago de la Albufera mostrados en las figuras 6.7 (nested semiempirical band ratio
algorithm) y 6.9 (EP-CDC-PC). Una vez calculada la concentración de ficocianina, se
marcan con GCPs los puntos de campo y se comparan los datos obtenidos con los valores
reales (figuras 6.8 y 6.10, respectivamente). Se observa que la correlación con los datos
de campo no es buena, aunque el resultado de ambos algoritmos muestra concentraciones
parecidas.

2.3. Obtención y aplicación de un algoritmo para monitorización de “blooms”


algales

Los “bloom” algales pueden ser detectados mediante el índice NDBI (Normalized
Difference algae-Bloom Index) definido como (Domínguez et al., 2011)
B9 − B5
NDBI =
B9 + B5
Este índice utiliza las bandas 9 y 5 de MERIS para comparar el aumento en la señal de
fluorescencia de la clorofila-a con el máximo de reflectancia del agua en la banda verde
(mínimo de absorción de la clorofila-a).
En base a los datos de concentración de pigmentos, se determinó que:

NDBI < −0,5: no existe “bloom” (concentraciones normales de clorofila-a)

−0,5 < NDBI < −0,3: se dan las condiciones para que se inicie un “bloom” algal
(concentraciones normales de clorofila-a)

−0,3 < NDBI < 0: inicio del “bloom” (concentraciones de clorofila-a en aumento)

198
O BTENCIÓN DE ALGORITMOS DE CALIDAD DE AGUAS

Figura 6.11. Representación del índice NDBI el día 27 de septiembre de 2006. Los valores de NDBI son
todos positivos. Sin embargo, esta es la situación habitual en la Albufera de Valencia, por lo que no se
considera que haya un “bloom” algal.

NDBI > 0: existe un “bloom” algal (altas concentraciones de clorofila-a)

No siempre que este índice es mayor que cero, existe “bloom” algal. En masas de agua
hipereutróficas como la Albufera de Valencia, la concentración de clorofila-a es siempre
muy alta, como se muestra en la figura 6.11, por lo que no se considera un “bloom”.

3. BÚSQUEDA DE UN ALGORITMO PARA LA CONCENTRACIÓN DE


SÓLIDOS EN SUSPENSIÓN

A continuación, se explica cómo se plantea la obtención de un algoritmo para la


concentración de sólidos en suspensión a partir del análisis de imágenes multiespectrales
MERIS.
Como ya se vio anteriormente, las redes neuronales del “Water Processor” de BEAM
están entrenadas para calcular la concentración de sólidos en suspensión en el agua (fi-
gura 6.12).
Como ejercicio, se plantea la posibilidad de hallar un algoritmo que permita obtener
la concentración de materia en suspensión en el agua a partir de la información de las
bandas de las imágenes MERIS.
El espectro del agua con sólidos en suspensión se caracteriza por poseer un pico de
reflectancia en torno a 805 nm que identifica la cantidad de dichos sólidos en esa masa
de agua. Sin embargo, las imágenes MERIS no proporcionan una banda en esta longitud

199
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 6.12. Aplicación del Water Procesor a la imagen MERIS del 27 de septiembre de 2006, para la
determinación de la concentración de sólidos en suspensión (mg/L).



 

 

 


 

 

 


   



 

 

 


 








     
 
  

Figura 6.13. Representación de los espectros del agua en los puntos de muestreo realizados el día 27 de
septiembre de 2006. Se indican los valores de las correspondientes medidas de concentración de sólidos en
suspensión (mg/L).

de onda, como se muestra en la figura 6.13.


Como una aproximación alternativa, se puede definir un índice normalizado (B12 −
B7)/(B12 + B7). La banda 12, con longitud de onda 775 nm, es la más próxima a los
805 nm. Por otro lado, se selecciona la banda de absorción de la clorofila-a (B7), pues,
donde hay más sólidos en suspensión, la influencia de la clorofila-a es menor.

200
O BTENCIÓN DE ALGORITMOS DE CALIDAD DE AGUAS

90
= -21,912 + 36,637
0
R2 = 0,0299
70
60
(mg/ )

50
40
30
20
10
0
-0,2 -0,1 0 0,1 0,2 0,3 0,4 0,5 0,6
(B -B7)/(B +B7)

Figura 6.14. Regresión de los datos obtenidos con el índice (B12 − B7)/(B12 + B7). Los datos
corresponden al muestreo en la Albufera de Valencia descrito en la página 178

Este índice normalizado se calcula para todas las imágenes. Para comprobar la rela-
ción entre los valores obtenidos con los datos medidos en campo, se construye la gráfica
mostrada en la figura 6.14. Como se puede observar, es posible afirmar que no existe
relación. Esto se debe a que el máximo de reflectancia de los sólidos en suspensión en
805 nm es mucho más estrecho que la distancia entre los centros de las bandas 12 y 13
de MERIS, por lo que este sensor no proporciona la información buscada.

4. BÚSQUEDA DE UN ALGORITMO PARA LA TRANSPARENCIA (DISCO


DE SECCHI)

La transparencia del agua se puede caracterizar por una relación entre el máximo del
verde, donde la luz penetra más, y una banda del infrarrojo cercano, donde sufre mayor
atenuación:

Verde: longitud de onda 540 nm; la banda operativa de MERIS más cercana es la banda
5 (560 ± 5 nm).
Infrarrojo cercano: longitudes de onda entre 700 y 900 nm; el mejor rango de longi-
tudes de onda para trabajar con NIR estaría alrededor de 805 nm, pero con ME-
RIS sólo se puede trabajar a los 778,75 nm (±7,5 nm) de la banda 12 o a los
865 nm (±10 nm) de la banda 13.

No se encuentran diferencias apreciables entre la información aportada por las bandas


13 y 12. Por ello, se construye el cociente entre las bandas 5 y 12 de MERIS (B5/B12),

201
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 6.15. Representación del índice B5/B12 en la Albufera de Valencia el día 27 de septiembre de 2006.





 






     


Figura 6.16. Representación de la relación B5/B12 respecto a la profundidad del disco de Secchi.

y se calcula con la herramienta “Band Aritmethic” para obtener una cartografía de dicho
índice (figura 6.15). Se puede observar en la esquina superior derecha una zona de agua
del Mar Mediterráneo. El alto valor del índice puede indicar una mayor transparencia
del agua en ella, pero también puede indicar la influencia del fondo de arena, que au-
menta igualmente los valores de reflectividad de las bandas utilizadas en el cociente y
proporciona un valor aún más alto del índice.
Siguiendo los pasos dados para los índices anteriores, se compara el cociente B5/B12
con los valores de campo medidos (figura 6.16). Se observa que la correlación no es bue-
na.

202
O BTENCIÓN DE ALGORITMOS DE CALIDAD DE AGUAS

5. ¿POR QUÉ ALGUNOS ALGORITMOS NO FUNCIONAN EN LA


ALBUFERA DE VALENCIA?

Antes de pasar a la discusión de los resultados obtenidos, se debe precisar qué se


entiende por funcionar o no funcionar un algoritmo de calidad de aguas. El muestreo
del 2006 en la laguna de la Albufera se realizó con medidas puntuales, es decir, tomando
datos en puntos concretos, mientras que el píxel de MERIS es el promedio de la respuesta
que da una superficie de 300 × 300 m2 , es decir, 90000 m2 = 9 ha. Esto quiere decir que,
para poder comparar datos de campo con MERIS se deberían tomar varias muestras
dentro de un cuadrado de 300 m de lado y, de ellas, hacer el promedio. Dado que esto no
es factible, se considera que un algoritmo funciona cuando la correlación entre el valor
que proporciona y las medidas de campo en una población estadísticamente significativa
de puntos de muestreo (distribuidos espacial y temporalmente) es aceptable, a partir de
un R2 > 0,65 (es decir, que la varianza explicada por el algoritmo sea superior a un 35 %
de la varianza total en el conjunto de datos).
Aún así, vemos que en algunos algoritmos no se consigue ninguna relación, ¿por
qué?
Una respuesta es por el rango espectral de las bandas de MERIS. Encontrar algo-
ritmos con buenos resultados no es una tarea sencilla para nadie, como han demostrado
los diversos intentos realizados para ello. En el caso de la concentración de sólidos, hay
que tener en cuenta que MERIS no dispone de una banda en torno a 805 nm, donde se
halla el máximo relativo correspondiente a la dispersión proporcionada por los sólidos
en suspensión.
Un segundo problema que aparece a la hora de encontrar un algoritmo adecuado, es
el número de datos y el intervalo de los mismos. En la Albufera de Valencia, cuya pro-
fundidad máxima no supera el metro y medio, la variación del grado de eutrofización es
muy heterogénea: la concentración de clorofila-a puede variar entre valores muy bajos,
en la fase clara, viéndose incluso el fondo, hasta valores superiores a 1000 mg/m3 . En
los datos de estudio, los valores de transparencia del disco de Secchi varían entre 0,20 y
0,47 m, valores correspondientes a una masa de agua hipereutrófica y eutrófica, respec-
tivamente, mientras que para una adecuada calibración del algoritmo se debería disponer
de un rango que variase desde centímetros hasta más de 4 m.
Por último, hay que tener en cuenta las limitaciones de los instrumentos utilizados
en las campañas de campo. Por ejemplo, en el caso analizado, el fluorímetro de ficocia-
nina tiene un rango de trabajo entre 0 y 400 mg/m3 , adecuado a la mayor parte de aguas
continentales españolas, mientras que los valores en la Albufera de Valencia suelen su-

203
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN



  

  
     






   











Figura 6.17. Perfil de concentración de ficocianina obtenido por el fluorímetro de ficocianina en sus
tramos de subida y bajada (indicados por la dirección de los triángulos).

perar el valor de saturación, como se muestra en la figura 6.17. Por lo tanto, las medidas
tomadas a ciertas profundidades no han podido ser tenidas en cuenta, estimándose la
concentración a partir de datos tomados a varias profundidades, en el tramo de bajada de
la “jaula” que tiene incorporado el fluorímetro, momento en el que se perturba menos la
masa de agua.
Ante la poca fiabilidad de la instrumentación de campo, se han comparado los re-
sultados obtenidos con dos algoritmos basados en diferentes métodos y en diferentes
informaciones de las bandas de reflectancia de MERIS. El nested semiempirical band
ratio está basado en las propiedades inherentes del agua, que se calculan utilizando las
bandas 7, 9 y 12 de MERIS, y de las que se deduce la concentración de ficocianina usan-
do, además, la banda 6. El algoritmo EP-CDC-PC, en cambio, se basa en las medidas de
reflectancia del espectro continuo tomadas en campo, para una población heterogénea
de masas de agua. Estas medidas se transforman en un espectro discreto correspondiente
a las bandas del sensor MERIS y se comparan con la media los valores de concentra-
ción de ficocianina medidos en el primer espesor óptico, simultáneamente a la toma de
espectros. Nótese que, a pesar de la diferencia de metodología y de las hipótesis en las
que se basa cada uno, ambos algoritmos muestran una buena correlación para los datos
obtenidos (véase figura 6.18).
A pesar de toda esta problemática, hay algoritmos que demuestran que sí es posi-
ble obtener buenos resultados de la concentración estimada de pigmentos a través de
imágenes de sensores remotos, incluso en condiciones extremas de eutrofia como las
que se daban en la Albufera de Valencia en 2006. Por ejemplo, el algoritmo de estima-

204
O BTENCIÓN DE ALGORITMOS DE CALIDAD DE AGUAS

00
[ CR ] = 0, 144 [ C ]
700 R2 = 0, 029
] (mg/m ) 600
500
400
300
[ C

200
100
0
0 200 400 600 00 1000
[ C ] (mg/m )

Figura 6.18. Comparación del método nested semiempirical band ratio respecto a la EP-CDC-PC,
utilizando los datos de las imágenes MERIS correspondientes a los puntos de muestreo en la Albufera de
Valencia.

ción de pigmentos por calibración directa en campo EP-CDP-Cla, aplicado a clorofila,


proporciona buenos resultados cuando se compara con los valores de campo.
A esta coincidencia contribuye el hecho de que los espectros de reflectividad utili-
zados para la obtención del algoritmo han sido medidos simultáneamente a la toma de
muestras de agua para la obtención de valores de clorofila-a, todo ello para una gran
diversidad de masas de agua. Estos espectros de reflectancia son similares a los propor-
cionados por el sensor remoto cuando se aplica una corrección atmosférica adecuada
(como la SCAPE-M_B2).

205
C APÍTULO 7

EVOLUCIÓN TEMPORAL DEL NÚMERO DE MASAS DE AGUA Y SUS


VARIABLES MORFOMÉTRICAS

La baja resolución de las imágenes MERIS no permite realizar un estudio en detalle


del número de masas de agua de una zona y de sus variables morfométricas (superficie,
perímetro, etc.). Para llevar a cabo este tipo de estudio es necesario analizar imágenes
de mayor resolución espacial, como las imágenes Landsat, SPOT, aerotransportadas o
fotografías aéreas. Sin embargo, en muchas ocasiones, la ausencia de información hace
que sea necesario utilizar la información de diferentes tipos de sensores. En este capítulo
se muestra un ejemplo de este tipo de análisis temporales con información procedente
de múltiples fuentes, centrado en la detección, estudio y seguimiento de las lagunas de
gravera.

1. LAS LAGUNAS DE GRAVERA DE LA VEGA DEL JARAMA

A principios de la década de 1950, la vega del río Jarama presentaba un paisaje


dominado por huertos y, en consecuencia, la economía se basaba en la agricultura. A
finales de esta década, coincidiendo con el inicio de la expansión urbanística de Madrid,
aparecieron las primeras explotaciones de áridos. La demanda de materias primas que
necesitó Madrid en su proceso de urbanismo en las décadas de 1960 y 1970, y la cercanía
de áridos naturales de excelente calidad, procedentes de la vega del Jarama, ocasionó que
durante estas décadas el proceso de extracción de material se intensificara de tal manera
que provocó el inicio del cambio de uso del suelo, pasando de principalmente agrícola,
en la primera mitad del siglo XX, a minero en la segunda mitad. Este cambio se puede
observar en los datos de producción de gravas y arenas de la Comunidad de Madrid,
que pasó de ser inferior a 0,1 × 106 m3 , en 1950, a ser mayor de 7 × 106 m3 , en 1993
(Sánchez, 1995), de la cual se estima que más del 90 % corresponde a la vega del río
Jarama, que es la principal zona de extracción.
A finales de la década de 1980, y debido al deterioro del medio natural por la activi-
dad minera que ocasionó un elevado número de graveras abandonadas, con sus corres-
pondientes láminas de agua, surge un cambio de mentalidad —más preocupación por el
entorno— que lleva la recuperación de las lagunas de gravera. Siguiendo este plantea-
miento se recuperan las lagunas de Las Madres y se inicia la tramitación para declarar
estos peculiares ecosistemas como zonas protegidas. Esto se consolida en 1994 con la

207
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 7.1. Distintos usos actuales de lagunas de gravera. (a) Minero, (b) recreativo y de ocio, (c)
educativo, (d) laguna desecada.

Ley de la Comunidad de Madrid 6/1994 en la cual se definen los límites del “Parque Re-
gional en torno a los ejes de los cursos bajos de los ríos Manzanares y Jarama” (CAM,
1994), conocido comúnmente como Parque Regional del Sureste.
Las explotaciones abandonadas se caracterizan por la existencia de una cubeta, po-
siblemente llena de agua (laguna de gravera), rodeada de una zona sin vegetación. Estas
masas de agua se consolidan como lagunas y su zona litoral sufre un proceso de natura-
lización por el cual la vegetación helófita coloniza rápidamente las áreas favorables para
su desarrollo. Por la gran inclinación de los taludes, la cobertura vegetal no suele superar
los tres metros de anchura, por lo que en un periodo corto de tiempo, en torno a unos
cuatro años, se puede determinar la consolidación de la vegetación asociada a la laguna
(Roblas et al., 2002). En este periodo de tiempo, la zona de suelo desnudo cercana a la
laguna también sufre un proceso de naturalización mediante el cual la zona de explota-
ción, si no ha sufrido ninguna otra intervención humana, se convierte en un ecosistema
único en la Península Ibérica.

208
E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA

El paisaje que ofrece la laguna depende de su uso. En caso de que se utilice para
la minería, el paisaje será un erial, desprovisto de vegetación en sus alrededores y con
mucho movimiento de vehículos pesados. Si la laguna se utiliza con fines de ocio, y
no ha sido sometida a un plan de restauración, su paisaje será el típico de embalses
dedicados a usos deportivos y de recreo. Sin embargo, si la laguna ha sido restaurada,
su paisaje será el típico de la ribera, con notables contrastes cromáticos y de textura
debidos a los diferentes tipos de vegetación existentes. Las distintas situaciones en las
que se encuentran las lagunas de gravera hacen que la calidad del paisaje varíe desde alta
(Las Madres), hasta baja (El Porcal).
Dependiendo de en qué situación se encuentre la gravera, se pueden distinguir los
siguientes usos (Pascual y Rodríguez-Alarcón, 1998):

Minero: la gravera está en explotación y el agua de la laguna sirve para lavar los mate-
riales extraídos de la mina a cielo abierto.

Recreativo y de ocio: sirve como lugar de recreo, en el que se puede montar en barca,
disfrutar de paseos por su ribera, o pescar.

Educativo: como centro abierto o aula de naturaleza (cabe destacar el complejo de


lagunas denominado “Las Madres” y el Centro de Interpretación de la Comunidad
Autónoma de Madrid, en El Campillo).

Área de Estudio

El área de estudio se ubica en el corazón del Parque Regional del Sureste, a unos
20 km de la ciudad de Madrid. Las lagunas estudiadas aparecen en la imagen de la
figura 7.2, tomada en 1997. La trayectoria de vuelo fue diseñada para que en la misma
imagen aparecieran las lagunas de El Campillo, Las Madres y El Porcal. Estas graveras
son amplias superficies de explotación superiores a 10 ha, cuyos bancos de grava varían
de 4 a 8 m y de 2 a 4 ha (Roblas y García–Avilés, 1997). La profundidad de las lagunas
depende de la explotación y en algunos casos supera los 10 m. Las instalaciones de
lavado y de clasificación están muy próximas, y son frecuentes las graveras que realizan
explotaciones con depresiones del nivel freático mediante pozos de bombeo, redes de
zanjas, excavaciones, etc.

209
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 7.2. Área de estudio. Imagen en falso color del producto ATM de 29 de octubre de 1997.

2. MATERIAL Y MÉTODOS

Las dimensiones muy variables de las lagunas que se quieren estudiar, desde cen-
tésimas a decenas de hectáreas, requieren que la resolución espacial de los sensores a
utilizar no supere los 30 metros (Domínguez et al., 1997; Domínguez, 1998). Además,
la resolución espectral de las imágenes debe ser adecuada para un estudio de masas de
agua, con bandas comprendidas entre 400 y 1000 nm.
El sensor de barrido multiespectral DAEDALUS 1268 tiene una resolución espectral
de doce bandas en el rango visible, infrarrojo y térmico. Éstas se pueden configurar idén-
ticamente a las bandas del sensor TM (configuración que, en este caso, se llama ATM).
La configuración ATM permite incorporar al estudio imágenes TM de años anteriores
(1984,1988 y 1992). Por último, en el año 2000 se dispuso de la primera imagen ETM+
que permite trabajar con un nuevo sensor.
Por otra parte, en las bases de datos de centros de distribución de fotografías aéreas,
figuran, además, vuelos sobre la zona de estudio realizados en 1957, 1967-68 (las fo-
tografías aéreas se adquirieron en dos años) y 1975. Estas imágenes (en soporte papel)
permiten retrotraer el estudio hasta medidados del siglo XX.

210
E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA

Tabla 7.1. Imágenes empleadas en el estudio temporal de las lagunas de gravera.

Año Sensor Plataforma Formato Escala o Resolución Espacial


1957 fotografía Avión Analógico 1:33000
1967-68 fotografía Avión Analógico 1:18000
1975 fotografía Avión Analógico 1:15000
1984 TM Landsat 5 Digital 30 m/pixel térmica: 120 m/pixel
1988 TM Landsat 5 Digital 30 m/pixel térmica: 120 m/pixel
1992 TM Landsat 5 Digital 30 m/pixel térmica: 120 m/pixel
1997 ATM Avión Digital 3,44 m/pixel
2000 ETM+ Landsat 7 Digital 30 m/pixel térmica: 60 m/pixel

La tabla 7.1 resume el material utilizado en el presente estudio.

2.1. Digitalización de las imágenes pancromáticas de vuelos antiguos

Para disponer de todo el material necesario para realizar el estudio temporal durante
la segunda mitad del siglo XX, se plantea la construcción de imágenes digitales a par-
tir de los fotogramas adquiridos en formato papel (cuatro de 1957, cinco de 1967, dos
de 1968 y diez de 1975). El proceso requiere la digitalización de cada uno los fotogra-
mas mediante un escáner. Esta digitalización se realiza a 300 ppp (pixels por pulgada),
generando tantos ficheros de imágenes TIFF como fotogramas utilizados.

2.2. Corrección geométrica de las imágenes

El análisis multitemporal, se basa en el ajuste geométrico entre las imágenes, con


gran detalle, ya que, de otro modo, no sería posible distinguir cambios finos en la mor-
fología de lo que sería sólo fruto de una falta de ajuste entre las imágenes (Hord, 1982).
Al utilizar imágenes de diferente resolución espacial, la imagen elegida como referencia
debe ser la de mayor resolución espacial (Van Gerderen, 1998); ésta puede ser, o no, una
imagen georreferenciada.
De todas las imágenes multiespectrales disponibles, la de mayor resolución espacial
es la ATM, con una resolución espacial de 3,44 m. Para que sea más fácil la identificación
y elección de los puntos de control, se elige la imagen georreferenciada.
La validez de las correcciones geométricas, sean imagen-mapa o imagen-imagen, se

211
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 7.3. Composición en falso color de la unión de fotogramas.

asume al exigir en todas las correcciones un error cuadrático medio (RMS) inferior a
0,5 pixeles (Ángel, 1994).
La georreferenciación de la imagen ATM se realiza mediante una corrección imagen-
mapa de la Comunidad Autónoma de Madrid (1:10000). Debido a la alta resolución
espacial de las imágenes ATM, es posible lograr un error RMS de 0,1 pixeles. El método
de asignación utilizado en la corrección geométrica de la imagen ATM respecto al mapa
es el del vecino más cercano, al ser este método el que introduce menor transformación
en los niveles digitales originales de la imagen (Chuvieco, 1996).
Una vez corregida geométricamente la imagen ATM, se corrigen las imágenes Land-
sat. El problema que plantea el método de asignación por el vecino más próximo cuando
se trabaja con imágenes de diferente resolución espacial, es que el efecto visual es ma-
lo, porque conserva la forma y tamaño originales de los pixeles de la imagen corregida
(TM o ETM+). Para mejorar el aspecto visual de las imágenes, se aplica el método de
asignación por convolución cúbica.

2.3. Creación y georreferenciación del mosaico de imágenes pancromáticas

Las imágenes pancromáticas digitalizadas cubren diferentes partes de la escena del


área de estudio. Para obtener una única imagen, es necesario unirlas en un mosaico, que
deberá ser, finalmente, georreferenciado.
La unión de dos fotogramas, se puede visualizar en la composición en falso color de

212
E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA

Figura 7.4. Mosaico resultante, con normalización radiométrica

la figura 7.3. Debido a la variación de las condiciones de iluminación de un fragmento


de una imagen a otro, es necesario antes de unirlas garantizar la correcta normalización
radiométrica de los fotogramas. Este proceso requiere obtener una ecuación de regresión
lineal entre los niveles digitales de dos fotogramas, tomando uno como referencia y ba-
sándose en la hipótesis de la invariabilidad de las superficies (Eckhardt et al., 1990; Hall
et al., 1991; McGovern et al., 2002). Obtenida la ecuación de normalización entre las
imagenes, se aplica la ecuación a la imagen secundaria y se realiza un mosaico con ellas,
de modo que no se note prácticamente salto radiométrico y exista continuidad en los
elementos de la imagen (figura 7.4)1 . Este proceso se repite con todos los fotogramas co-
rrespondientes a una misma fecha, hasta completar el mosaico que constituirá la imagen
pancromática del área de estudio. Si en lugar de utilizar fotogramas en blanco y negro,
se utilizan fotogramas en color, el procedimiento sería el mismo, aunque el trabajo se
multiplicaría por tres, ya que habría que repetirlo para cada uno de los canales RGB.
Las imágenes pancromáticas no están todavía georreferenciadas. Para ello, hay que
vincularlas al fichero en el que se encuentran las imágenes multiespectrales; de esta for-
ma las imágenes están preparadas para ser procesadas. La georreferenciación se realiza,
partiendo de un fotograma de referencia, respecto a una imagen ATM, manteniendo el
error RMS de 0,1 pixeles y utilizando el método de asignación por convolución cúbica.
Cuando se realiza la georreferenciación mediante el método convencional de puntos de
control y asignación no se obtiene una buena corrección geométrica con ningún méto-

1
Este proceso es similar al que realizan algunas cámaras digitales para construir panoramas a partir de fotografías
con áreas en común en sus bordes (algoritmos de stitching).

213
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

do de interpolación, aunque siempre existe una zona pequeña en la cual se verifica el


requisito de un RMS de 0,1 pixeles. La solución es realizar la corrección por regiones,
es decir, corregir primero toda la imagen, seleccionar y guardar la región en la que la
corrección es buena según el criterio establecido y, después, llevar a cabo una nueva
georreferenciación de parte de esta región junto con otra parte en la que no se hubiese
alcanzado el criterio. Así, región a región, se llega a georreferenciar la zona de estudio
completa para cada fecha.

2.4. Discriminación de masas de agua

La metodología para discriminar las masas de agua de las demás cubiertas es distinta
para los dos tipos de imágenes empleadas: las multiespectrales, con las bandas de los
sensores Landsat, y las pancromáticas, generadas a partir de fotografía aérea.
Existen dos métodos para la detección de cambios a través de imágenes (Singh,
1989): la comparación de clasificaciones de diferentes fechas producidas independien-
temente, y el análisis simultáneo de datos multitemporales. El más usado de los dos es
el primero, aunque existen dos problemas a tener en cuenta (Aspinall y Hill, 1997). El
primer problema se deriva de la inexactitud de la localización de las fronteras de los po-
lígonos en las diferentes clasificaciones, que genera resultados negativos (cuando no se
identifica un cambio que existe) o falsos positivos (cuando se identifica un cambio que
no existe). El segundo problema se deriva de los errores de clasificación de los propios
polígonos.
Cuando los datos proceden de diferentes sensores, se debe tener en cuenta que, por
el diferente tamaño de píxel, algunos elementos no serán detectados por el sensor con
menor resolución, mientras que sí lo serán por el sensor con mayor resolución. Además
de los problemas planimétricos causados por la corrección geométrica, el tamaño de pí-
xel causa la superposición de las cubiertas (píxeles de mezcla). Por último, si el número
de bandas y las longitudes de onda difieren, las clasificaciones divergen más, al estar ba-
sadas en informaciones diferentes. Este factor es el más crítico en el análisis de los datos
multitemporales. Este tipo de problemas han sido analizados en trabajos que combinan,
por ejemplo MSS y SPOT (Jensen et al., 1995) o MSS y TM (Lodhi et al., 1998; Serra
et al., 2001).

214
E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA

Detección de masas de agua en imágenes multiespectrales

La metodología a emplear para la detección de masas de agua en las imágenes mul-


tiespectrales se puede establecer sobre la imagen ATM de 1997 debido a que sus bandas
están presentes en el resto de las imágenes (y no es, por lo tanto, un factor diferenciador),
y además su resolución espacial permite discriminar la información con detalle.
Una composición en falso color adecuada para distinguir las diferentes cubiertas,
masas de agua, sombras, suelo desnudo, vegetación etc., se muestra en la figura 7.2. Esta
composición es:

(R, G, B) = (infrarrojo cercano, infrarrojo medio, infrarrojo térmico)


= (AT M7 = T M4, AT M9 = T M5, AT M10 = T M6)
En esta imagen, las sombras aparecen en ne-
gro, el agua, en azul, los suelos desnudos, en
la gama del amarillo, la vegetación con gran
vigor vegetal (como puede ser la vegetación
de ribera, cultivos de regadíos, etc.), en la ga-
ma del rojo, y la vegetación con menor vigor
vegetal (como los cultivos de secano), en la
gama del verde. La gran diferencia con otras
composiciones coloreadas es que cualquier lá-
mina de agua aparece en el mismo color —
azul—, y que se diferencian las zonas de agua
de las de sombra. Esto es un problema en
las imágenes de muy alta resolución como la
ATM.
La razón por la cual aparecen en el mismo
color todas las láminas de agua se puede en-
contrar analizando los histogramas de las ban-
das utilizadas (fig. 7.5). La banda del infrarro-
jo cercano y medio tiene dos zonas bien di-
ferenciadas: la primera corresponde al agua y Figura 7.5. Histograma de las bandas del
la segunda a las demás cubiertas. El infrarrojo infrarrojo cercano, medio y térmico del sensor
térmico no muestra un comportamiento dife- ATM.
rencial en las láminas de agua; si además, se
asigna esta banda al canal azul, el agua apare-

215
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Depositos de decantacion de la
depuradora de Velilla de San Antonio

Figura 7.6. Falso color (R,G,B)=(ATM7, Temperatura, Agua). Ampliación del área recuadrada, en la que
se pueden observar correctamente diferenciadas las zonas de agua de las zonas de sombra (en negro).
También son visibles los depósitos de decantación secundarios de la depuradora de Velilla de San Antonio.

ce de color azul. Los valores más bajos del infrarrojo térmico corresponden a las zonas
de sombras; debido a la existencia de valores bajos también en las bandas del infrarrojo
cercano y medio, el color resultante es el negro.
El histograma de la banda del infrarrojo cercano permite determinar el umbral de
segmentación para generar una imagen binaria en la que destacan no sólo las masas de
agua conocidas, sino también otras desconocidas (Ortiz y Peña, 1989, Engman y Gurney,
1991; Peña y Serrano, 1994). Para determinar qué zonas se discriminan correctamente
mediante esta técnica, es necesario comprobarlo mediante una visita a la zona de estudio.
Así se observa que algunas zonas identificadas como agua corresponden, en realidad, a
zonas de sombras. Localizadas las zonas de sombra, se calcula la imagen de tempera-
tura para distinguirlas y se observa que, en ellas, la temperatura no supera los 16,4◦ C,
mientras que en las zonas de agua la temperatura es superior: entre 16,6 y 18◦ C. Este
umbral de 16,5◦ C de temperatura, separa las zonas de agua de las de sombra. Con esta
información se genera una nueva imagen binaria que discrimina las zonas de agua de las
demás cubiertas. Para visualizar con mayor claridad el resultado, se realiza la composi-

216
E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA

ción coloreada
(R, G, B) = (ATM7, Temperatura, Agua)
que se muestra en la figura 7.6.
La clasificación aplicada a la imagen multiespectral ATM de 1997 (basada en el
análisis de la banda del infrarrojo cercano, ATM7, TM4, ETM + 4) se aplica a las demás,
de 1984, 1988, 1992 y 2000. En todas ellas se observa que el problema de las sombras
no existe; en esta área de estudio, sólo afecta a las imágenes de alta resolución espacial.

Detección de masas de agua basada en índices espectrales

Para discriminar masas de agua se puede utilizar el cociente entre bandas (Philipson
y Hafher, 1981; Chesire et al., 1988; Pattiaratchi et al., 1992; Mayo et al., 1995). Más
adecuado, sin embargo, es el índice de agua de diferencia normalizada (NDW I):

NDW I = (ρG − ρIRC )/(ρG + ρIRC )


donde ρG es la reflectividad de luz verde y ρIRC es la reflectividad en el infrarrojo cer-
cano. Para el cálculo del NDW I, la reflectividad en las bandas del verde e infrarrojo
cercano se calcula mediante el modelo de corrección atmosférica de Gilabert y Maselli
(1994) desarrollado para su aplicación a superficies oscuras, como puede ser el agua.
En la zona de estudio, ningún cociente o índice identifica correctamente las masas de
agua. La razón es que las masas de agua existentes son muy heterogéneas; existen masas
de agua de elevada abundancia algal y, en consecuencia, con una alta reflectancia en
el verde; masas que presentan una gran concentración de sólidos en suspensión y otras
transparentes. Sin embargo, el NDW I sí permite distinguir los diferentes tipos de masas
de agua.

Detección de masas de agua por clasificación

La clasificación de las imágenes asigna los píxeles a categorías que identifican rasgos
de interés de la superficie terrestre (rasgos geomorfológicos, geológicos, vegetación, cu-
biertas, etc.). Una clasificación no suele ser absoluta, sino más bien una caracterización
particular, válida para una determinada imagen y un determinado territorio (Robinove,
1981). En función de la forma en que se obtienen las estadísticas de entrenamiento, los
métodos de clasificación se han dividido en supervisados y no supervisados.

217
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Los métodos de clasificación supervisada parten de una serie de píxeles cuyas clases
son conocidas (llamados puntos de verificación o endmembers) y tratan de hacer corres-
ponder los demás píxeles de la imagen, en función de su parecido, a los endmembers.
Esto lo hacen minimizando una función distancia definida en el espacio de características
(por ejemplo, de las bandas de la imagen). Entre los métodos de clasificación supervisa-
da se hallan los de mínima distancia, del paralelepípedo y de máxima probabilidad.
Para aplicar estos métodos a la imagen ATM del estudio, se definen las siguientes
categorías: agua, regadío, secano, suelo desnudo, vegetación autóctona, zona urbano y
pastizal. En las clasificaciones, con los algoritmos de máxima probabilidad y del parale-
lepípedo, no se observan los ríos ni algunas lagunas. Si se utiliza el algoritmo de mínima
distancia, el problema que aparece es la mala discriminación de las sombras. Cuando
se incorpora a la clasificación una categoría de sombras, el error que se obtiene con 51
puntos de verificación es de un 11,76 %, en la categoría de agua, y un 23,53 %, en la
categoría de sombras.
Los métodos de clasificación no supervisados no requieren que se definan endmem-
bers. Se basan en las propiedades estadísticas de la imagen y producen un agrupamiento
de los píxeles (en clusters o conglomerados) en función de dichas propiedades y del
número de clases que se quieran obtener. Entre los métodos de clasificación no supervi-
sados están k-means, k-means difuso e ISODATA.
La aplicación de los algoritmos de clasificación no supervisados a la imagen ATM se
repite variando el número de categorías entre 10 y 22. La clasificación con 10 categorías,
confunde las zonas de agua y las de sombra. Al aumentar el número de categorías (16,
20 y 22), se diferencia un mayor número de clases de suelo y de vegetación, pero no
se consigue diferenciar las zonas de agua de las de sombras. Lo máximo que se puede
lograr, no obstante, reclasificando la imagen de 22 categorías a 4, es agrupar agua y
sombras (en una única clase), vegetación, suelo con vegetación escasa y suelo desnudo.

Métodos de análisis de mezclas espectrales

Tradicionalmente, la clasificación de imágenes de satélite ha tenido como misión


asignar cada píxel a una, y sólo a una, de las categorías previamente definidas en la
leyenda de trabajo. En la realidad, la irradiancia que llega al sensor, procedente de la
superficie, es el promedio de la energía que refleja cada uno de los elementos existentes
en la superficie del píxel. En los últimos años se ha generalizado la idea de buscar la
información de los elementos existentes en el píxel. Una de las técnicas de mayor pro-
yección en este sentido es el análisis lineal de mezclas espectrales (ALME) (Spectral

218
E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA

Mixture (SMA) o Linear Mixture Analysis (LM)), que pretende obtener imágenes con
la proporción de cada píxel ocupado por una determinada categoría. Como fruto de esta
técnica, se obtienen tantas imágenes de abundancia como categorías se pretenden estu-
diar: el valor de un determinado píxel indica el porcentaje de superficie que ocupa la
correspondiente categoría (Chuvieco, 1996).
El análisis de mezclas espectrales captura el carácter continuo de datos ambienta-
les. El ALME proporciona excelentes resultados en aplicaciones agrícolas de superficie
cultivada y rendimiento (Quarmby et. al., 1992; Kerdiles y Grondona, 1995), en estu-
dios de deforestación (Shimabukuro y Smith 1991; Shimabukuro et al., 1994; Holben
y Shimabukuro 1993; Adams et al., 1995), en estudios de regeneración de especies ve-
getales (Hlavka y Spanner, 1995), en el seguimiento de áreas quemadas (Caetano et al.,
1994), etc. Casi siempre, para identificar cambios detectables con una sola imagen. No
obstante, ALME también ha sido utilizado para estudios temporales de la dinámica de
la desertificación (Derlys, 1997).
La técnica ALME, aplicada a la imagen ATM de 1997, permite calcular las abun-
dancias de las cubiertas de interés: agua, vegetación, suelo desnudo y sombras (aunque
los únicos resultados de interés sean los de cobertura de agua). Posteriormente, se fija un
umbral de aceptación, de modo que se segmenten aquellos píxeles en los que la abun-
dancia de “agua” sea tal que todas las masas acuáticas sean identificadas (el unbral de
aceptación, en este caso particular, es del 75 %). En la clasificación resultante se observa
que entre las zonas que se identifican como con alto contenido de “agua”, existen de
sombras y de vegetación. Esto se debe a que una de las hipótesis de esta técnica es que
las categorías de partida son puras, y el agua en la naturaleza no es una categoría pura,
aunque se la considere así. La radiación recibida en un píxel de una lámina de agua no
sólo es agua; contiene además información sobre la vegetación, sólidos en suspensión,
etc., que existen en el agua. Por ello, esta técnica no se puede aplicar para discriminar
entre zonas de agua, debido a que en el área de estudio existen zonas de gran contenido
de agua (zonas encharcadas de vegetación o suelo) que tienen el mismo ND que zonas
de agua con gran contenido de sólidos. Además, no diferencia las zonas de agua de las
sombras.

Discriminación de masas de agua en imágenes pancromáticas

La discriminación de las masas de agua en las imágenes pancromáticas de 1957,


1967-68 y 1975 no es posible acometerla mediante el análisis del histograma. En él no
se identifican zonas de agua diferenciadas, ya que los niveles digitales de las zonas de

219
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

cubiertas de baja reflectividad (agua, vegetación, asfalto, etc.) en una imagen pancromá-
tica son similares. Por lo tanto, no se pueden discriminar las láminas de agua mediante
este método.
Descartada la utilización de la información radiométrica a través de los valores digi-
tales, se plantea la posibilidad de diferenciar regiones por la rugosidad o suavidad de la
imagen, es decir, analizar el contraste espacial o textura de los elementos que la compo-
nen. De los algoritmos aplicados, el mejor resultado se obtiene a través del “contraste de
vector de diferencias de niveles de gris” o GLDV Contrast (Gray Level Difference Vec-
tor Contrast). Sin embargo, los elementos de textura y contraste existentes en la lámina
de agua y en los campos de cultivos son muy similares, por lo que tampoco se pueden
diferenciar mediante esta técnica.
Ante la falta de métodos automáticos que identifiquen las masas de agua en estas
imágenes, la única posibilidad restante es digitalizar las masas de agua a partir de un
análisis visual de las imágenes pancromáticas.

3. RESULTADOS DE LA MORFOMETRÍA DE LAS MASAS DE AGUA

Identificadas las lagunas en cada una de las imágenes, se realiza el mapa de lagu-
nas de gravera para cada fecha y se incluyen elementos SIG que servirán de referencia
para observar la evolución de las lagunas (figuras 7.7 y 7.8): el número de lagunas, su
superficie total, los tamaños medio, máximo y mínimo, en función del tiempo.

3.1. Estimación de errores

Los valores de superficie se obtienen para las imágenes disponibles en cada fecha, y
se debe conocer el error que se comete en cada una de ellas.
En la imagen ATM, se observan los depósitos de decantación secundarios de la depu-
radora de Velilla de San Antonio (fig. 7.6), cuyo diámetro es 27,5 m y con una superficie
de 593,96 m2 (Batanero, 1999). La superficie de estos depósitos se determina que es de
591,68 m2 . La diferencia entre el valor calculado a partir de los datos de construcción,
y el estimado a partir de la imagen es de 2,28 m2 . Dado que el tamaño del píxel es de
3,44 m × 3,44 m, es decir, su superficie es de 11,83 m2 , el error cometido utilizando esta
técnica correspondería a 0,2 pixeles. De este resultado se infiere que la diferencia entre
el valor calculado a partir de la imagen ATM y el real es aceptable para este estudio.

220
E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA

Tabla 7.2. Evolución de la superficie total estimada a partir de las diferentes imágenes pancromáticas. El error
se calcula como la diferencia entre la superficie determinada sobre la imagen pancromática y la imagen ATM de
1997, en valor absoluto.

Alquería (fecha) Superficie (m2 ) Error (m2 ) Error (píxeles)


1957 5651.818 36 3
1967-68 5678.817 9 1
1975 5678.817 9 1
1997 5687.817 0 0

El error que se comete en las imágenes Landsat se estima relacionando los datos de
superficie de las lagunas permanentes, determinados en 1995 (Roblas y García-Avilés,
1997), con los valores de superficie determinados en las mismas lagunas permanentes
en la imagen de 1992. Para ello se representan las superficies medidas respecto a las
proporcionadas por el algoritmo de discriminación de masas de agua, obteniéndose por
regresión la proporcionalidad siguiente:

Superficie1992 = 0,9253 × Superficie1995


con un R2 = 0,9825. Teniendo en cuenta que los datos se comparan en lagunas que no
sufren ninguna alteración artificial, el principal error es el debido al cambio de resolu-
ción del sensor (con un píxel de 30 × 30 m). Aunque existe un error pequeño debido a
procesos naturales, éste es mínimo, y se puede despreciar ante la diferencia del factor con
la unidad, igual a 0,0747. El error calculado a partir de las imágenes es de de 67,23 m2 ,
que corresponde a 6 pixeles, una vez realizado todo el proceso de georreferenciación y
conversión de todas las imágenes a una resolución final de 3,44 m.
El estudio del error de las imágenes pancromáticas de 1957, 1967-68 y 1995 se
determina parcialmente, digitalizando un elemento existente en todas las imágenes pan-
cromáticas y en la imagen ATM de 1997: la alquería de la finca de El Porcal. El error
de las imágenes pancromáticas respecto a la digitalización realizada en la imagen ATM
de 1997 se muestra en la tabla 7.2. El error en el proceso de digitalización depende,
principalmente, del factor humano, esto es, del operario que realiza la digitalización y,
por lo tanto, es variable. Es aconsejable que, en un determinado trabajo, la digitalización
la realice el mismo operario, de manera que el error sea constante y no una variable de
estudio.

221
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 7.7. Mapas de lagunas de gravera de 1957, 1967-68, 1975 y 1984. (Imágenes tomadas de
Domínguez, 2002).

222
E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA

Figura 7.8. Mapas de lagunas de gravera de 1988, 1992, 1997 y 2000. (Imágenes tomadas de Domínguez,
2002).

223
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Tabla 7.3. Evolución del número de lagunas y la superficie total ocupada por ellas.

Año N. de lagunas Superficie total de agua (m2 )


1957 5 22679
1967-68 33 104147
1975 63 1011896
1984 51 1524174
1988 61 2125251
1992 50 2137740
1997 57 2922711
2000 58 2724890

3.2. Evolución temporal de las masas de agua

Las imágenes de cada fecha permiten determinar el número de lagunas y la superficie


total de la lámina de agua (tabla 7.3).
El principal problema que se observa es que el número de datos es reducido, por
lo que el análisis estadístico se considera sólo orientativo. Sin embargo merecen ser
consideradas las curvas de evolución temporal de la superficie de agua de las lagunas de
gravera (fig. 7.9) y del número de lagunas (fig. 7.10).

Figura 7.9. Evolución temporal de la superficie de la lámina de agua de las lagunas de gravera durante la
segunda mitad del siglo XX (el origen de tiempos se ha tomado en 1955).

224
E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA

Figura 7.10. Evolución temporal del número de lagunas de gravera durante la segunda mitad del siglo XX.

El análisis de la figura 7.9 indica un aumento de la superficie de agua de las lagunas


de gravera; este fenómeno se produce de forma lenta, a razón de, aproximadamente,
100 ha cada 15 años. La figura 7.10 indica que el auge de la aparición de las lagunas
de gravera en la zona de estudio se produjo en la década de 1970, que coincide con el
primer máximo relativo de producción de grava de la Comunidad de Madrid (Sánchez,
1995). Posteriormente, se estabiliza el número de lagunas de gravera en torno a 60,
lo que indica que la zona de estudio ha sido una de las primeras zonas explotadas, ya
que, durante la década de 1990, que corresponde al periodo de máxima producción,
no aumenta el número de lagunas. Este hecho es corroborado por el aumento, durante
la década de 1990, de la superficie de lámina de agua en el sur de la zona de estudio
(véanse als figuras 7.7 y 7.8).
La forma de la gráfica de la evolución temporal del número de lagunas durante el
siglo XX recuerda a la respuesta transitoria de un sistema de control de segundo orden a
una entrada en escalón (Ogata, 1980). Este modelo describiría un arranque de la explo-
tación en 1955 (origen del tiempo) y una evolución con un tiempo de establecimiento de
35 años, requeridos para estabilizarse en porcentaje absoluto del valor final. El tiempo
del pico de sobrepaso es de 20 años; en un sistema de control, este valor corresponde a
medio ciclo de la oscilación amortiguada que describe la oscilación del sistema, y es el
momento en el que el control se ejerce con mayor intensidad (aquí, en 1975). Por último,
el decaimiento de las oscilaciones permite determinar la constante de amortiguación del
sistema (aunque, con tan pocos datos es sólo una estimación), del orden de 0,479; esto

225
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 7.11. Ajuste de la ecuación de evolución temporal del número de lagunas de gravera durante la
segunda mitad del siglo XX.

es, la constante de tiempo o de memoria del sistema, sería de unos 73 años. Con todo
esto, se puede construir la siguiente ecuación que describe la evolución temporal del
número de lagunas de gravera en el área de estudio
 
e−0,0857t
Nº de Lagunas(t) = 55 × 1 − × sin(0,157t + 1,0713)
0,8778

que se representa, junto a los datos, en la figura 7.11.

4. CONCLUSIONES

La teledetección es la única técnica que permite realizar un seguimiento espacial y


temporal de las masas de agua, en particular de las lagunas de gravera, siempre que se
entienda como teledetección la utilización de cualquier tipo de instrumento colocado en
plataformas, sean éstas aéreas o espaciales, que permitan obtener una imagen digital o
analógica (en papel).
El primer vuelo fotográfico (militar) de España fue realizado en la década de 1930.
Posteriormente, en 1957 se realiza el denominado “vuelo americano”, que es el primer
vuelo fotográfico de toda España, y a partir del cual se dispone de un vuelo de toda
España en cada década. A partir de la década de 1980, están disponibles las imágenes

226
E VOLUCIÓN TEMPORAL DE LAS MASAS DE AGUA

MSS y TM de la serie de satélites Landsat. Durante la década de 1990, se realizaron


vuelos específicamente para estudiar algún problema determinado, siempre con el sensor
ATM, como el vaciado del embalse de Varasona (Peña et al. 1998), estudios de centrales
térmicas y nucleares (CEDEX, 2007), estudios de lagunas de gravera (Domínguez y
Peña, 1999), etc.
Los sensores de alta resolución espacial (IKONOS, Quird Bird, etc.), con bandas
en el visible e infrarrojo cercano, no permiten realizar la discriminación de sombras
mediante la metodología presentada en este capítulo, basada en la estimación de la tem-
peratura.
La verificación de las ecuaciones de evolución temporal de la superficie de lámina de
agua y del número de lagunas de gravera en la zona de estudio se puede realizar gracias
al Plan Nacional de Teledetección (PNT) que, desde septiembre de 20082 , distribuye
gratuitamente, para la investigación, las imágenes Landsat, así como una imagen SPOT
anual, y al Plan Nacional de Observación Aérea (PNOA), que son distribuidas por el
Instituto Geográfico Nacional (IGN).

2
Las imágenes anteriores a esa fecha se pueden obtener directamente de la administración de EE.UU., desde la
página web http://glovis.usgs.gov/

227
C APÍTULO 8
PRESENTE Y FUTURO DEL ESTUDIO DE AGUAS CONTINENTALES
MEDIANTE TELEDETECCIÓN EN ESPAÑA

A lo largo de este libro se han expuesto los fundamentos biológicos y físicos de la


teledetección de aguas continentales. También se han mostrado las técnicas de muestreo
y analíticas utilizadas para validar los datos de teledetección con información recogida
sobre el terreno.
Como aplicaciones se han puesto ejemplos de estudios de aguas y de obtención de
algoritmos de calidad de aguas. Las herramientas y las metodologías se han puesto al
alcance de cualquier investigador, gracias al uso del software BEAM/VISAT desarrolla-
da por la ESA como plataforma sobre la que experimentar los nuevos algoritmos que se
desarrollan para sus sensores. De hecho, esta herramienta es tan flexible, que está sien-
do en la actualidad adoptada por el SeaDAS (el SeaWiFS Data Analysis System1 ), de
la NASA, para incluir algoritmos de sus satélites MODIS, SeaWiFS, MERIS, OCTS, y
CZCS de observación oceánica. Esto augura un gran futuro para este software de código
abierto.
Otra aplicación, el estudio de la evolución temporal del número y forma de masas
de agua, aunque requiere herramientas de software más potentes (sistemas de informa-
ción geográfica), ha sido detalladamente explicada. Un usuario avanzado de este tipo de
herramientas puede reproducir la metodología.
Así, puestas las bases para gran parte del trabajo científico sobre aguas continenta-
les que se puede hacer utilizando la teledetección, en este último capítulo expondremos
trabajos recientes y posibilidades futuras que utilizan estos mismos principios. Nos cen-
traremos en los trabajos y proyectos de grupos de investigación, empresas y organismos
oficiales españoles. El objetivo es mostrar al lector lo lejos que se puede llegar con la
teoría y la práctica de los capítulos anteriores y, quizás, animarle a tomar parte en ello.

1
http://oceancolor.gsfc.nasa.gov/seadas/

229
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 8.1. Seguimiento de la [Chl-a] en el embalse de Aracena (Sevilla) mediante imágenes MERIS.
Adaptada de Domínguez et al. (2011b).

1. ESTUDIOS ACTUALES

En la actualidad, la teledetección aplicada al estudio de aguas continentales se está


desarrollando en España alrededor de cuatro líneas directrices: calidad del agua, sequía,
inundaciones y balance hídrico (Rodríguez Fontal, 2009). El seguimiento de la calidad
del agua se basa en dos sensores, principalmente:

Landsat, aprovechado la adquisición por el Plan Nacional de Teledetección de la


cobertura de toda la península con imágenes desde septiembre del 2008.

MERIS, disponible gracias a la distribución gratuita de la ESA para proyectos de


centros de investigación y organismos gubernamentales pertenecientes a la ESA.

Las metodologías empleadas en la actualidad para el seguimiento de las masas de aguas


españolas se basan en las validadas por el CEH-CEDEX, publicadas en Domínguez et al.
(2009), para Landsat, y en Domínguez et al. (2011), para MERIS, que permiten determi-
nar la concentración de clorofila-a y de ficocianina, pigmento indicador de cianobacterias
(véase un ejemplo en la figura 8.1).

230
P RESENTE Y FUTURO EN E SPAÑA

(a) (b)

Figura 8.2. (a) Mapa de concentración de clorofila-a calculado sobre la lámina de agua, superpuesto a una
combinación de las bandas TM-4 (rojo) y TM-3 (verde) utilizadas para delimitar la laguna de Arreo. (b)
Ciclo anual de la clorofila en el punto central de la laguna, determinado a partir de las imágenes Landsat.
Adaptado de Chao Rodriguez et al. (2011)

1.1. Satélites tradicionales

LANDSAT

Los sensores TM/ETM+, a bordo de los satélites de la serie Landsat han sido am-
pliamente utilizados para estudios de aguas, a pesar de ser sensores generalistas, no
diseñados específicamente para estos estudios.
En un trabajo reciente, Chao Rodriguez et al. (2011), se ha dado un paso más allá
utilizando las imágenes de este sensor para estudiar la vegetación macrófita sumergida
en el lago de Arreo (Álava), una laguna de unas 6 ha. El estudio utiliza imágenes y datos
de campo del período de diciembre de 2001 a enero de 2011. Las imágenes de satélite
fueron corregidas atmosféricamente por el método de Gilabert y Maselli (1994), y se
usó la banda TM-4 para delimitar la extensión de la laguna, tal como se explica en el
capítulo 7; allí donde el método no era aplicable, se utilizó la diferencia entre las bandas
TM-2 (máxima reflectancia del agua) y TM-5 (nula reflectancia del agua). Aplicando
los algoritmos de concentración de clorofila de Dominguez et al. (2008), adaptados a los
datos de campo, se hallaron las variaciones de los valores de [Chl-a] en distintos puntos
del lago y a lo largo del ciclo anual de la laguna. Esta distribución se corresponde con la
de la Chiara Hispida, una especie macrófita presente en la laguna, cuya vigorosidad (de-
terminada por el NDV I) ha podido ser calculada utilizando una corrección de columna
de agua derivada por Maritorena et al. (1994).

231
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

MERIS

Como se ha descrito en el capítulo 4, el sensor MERIS ha sido diseñado para estu-


dios oceanográficos. Une a sus bandas espectrales estrechas y centradas en las longitudes
de ondas apropiadas, alta periodicidad y una moderada resolución espacial. Estas carac-
terísticas hacen este sensor ideal para estudios temporales (series temporales) de masas
grandes de aguas (lagos, embalses, estuarios), pues se dispone de datos cada 3 días. Ello
hace posible la detección y seguimiento de “blooms” de cianobacterias tanto en aguas
continetales como en aguas marinas (Alonso et al., 2011).
Un estudio reciente llevado a cabo en la Universidad Politécnica de Valencia (Lo-
zano Arango, et al., 2011) ha mostrado las ventajas de las imágenes MERIS, no sólo
para realizar el seguimiento sobre lámina de agua y sus parámetros de calidad, sino tam-
bién para combinar esta información con otra sobre el ciclo hídrico de los humedales y
el fenológico de la vegetación en ellos. Este estudio se ha llevado a cabo en La Albu-
fera de Valencia, un humedal costero, en la Laguna de El Hito (Cuenca), un humedal
continental temporal, y en la Laguna de El Cañizar (Teruel), un humedal permanente.
La metodología empleada ha consistido en delimitar las masas de agua empleando las
bandas MERIS en el infrarrojo cercano.
Allí donde el infrarrojo cercano no proporciona suficiente información, se recurrió a
detectar los valores negativos del NDVI, usando las bandas 8 y 13 de MERIS, de modo
análogo a como se hizo en el capítulo 7 se usó el NDWI. Sobre estas láminas de agua,
se han aplicado algoritmos de calidad de aguas derivados por Domínguez et al. (2008,
2011) siguiendo procedimientos similares a los del capítulo 6. La cartografía temática
generada ha permitido analizar la evolución del tamaño de las lagunas a lo largo del año
hidrológico, con un error de unos pocos píxeles respecto a medidas topográficas. Tam-
bién ha permitido crear perfiles de evolución de los pigmentos clorofila-a y ficocianina
en los lagos, como el mostrado en la figura 8.3a, donde se ve cómo la concentración de
clorofila-a está correlacionada con el cultivo de arroz en la Albufera de Valencia (se ob-
serva el aumento de nutrientes procedentes de la fertilización en los meses de noviembre
y diciembre). Por último, permite hacer un seguimiento simultáneo del estado fenológico
de la vegetación del humedal alrededor de las lagunas, como se muestra en la figura 8.3b.
En estas imágenes en falso color, (R, G, B) → (13, 7, 5), se observa como la vigorosidad
vegetal (en color rojo) indica indirectamente la existencia y abundancia de agua, incluso
en casos en los que el tamaño de la lámina de agua impide su determinación precisa en
las imágenes.

232
P RESENTE Y FUTURO EN E SPAÑA

(a) (b)

Figura 8.3. (a) Evolución de la [Chl-a] en un punto de la Albufera de Valencia calculada a partir de
imágenes MERIS; (b) Variación en el NDVI en el humedal del Cañizar que muestra la variación del estado
fenológico, indicador indirecto de la existencia y abundancia de agua. Adaptado de Lozano Arango et al.
(2011).

MODIS

Al igual que MERIS, los sensores MODIS (a bordo de los satélites Aqua y Terra de la
NASA) han sido diseñados para estudios de “color del océano”, aunque en la actualidad
se utilizan también para estudios de cubiertas terrestres (cubierta de nieve, vegetación,
incendios) y meteorológicos y de cambio climático (estudios de formaciones nubosas
en ciclones tropicales y detección de plumas volcánicas). La desventaja de MODIS res-
pecto a MERIS es su menor resolución espacial (500 − 1000 m en la mayoría de las
bandas) compensada, en parte, por su mayor rango espectral. Por esta razón su uso en
teledetección de aguas continentales se restringe a grandes masas.
Como uso actual de imágenes MODIS para la monitorización de aguas continenta-
les y de transición es representativa la iniciativa de la Red de Información Ambiental
de la Junta de Andalucía (REDIAM), que da soporte a las actividades de gestión y pla-
nificación del medio ambiente. Desde el año 2006 REDIAM lleva a cabo un estudio
del estado de las aguas litorales de Andalucía con imágenes retrospectivas, desde el año
2000, de NOAA-AVHRR, SeaWiFS y MODIS. Entre los indicadores de mayor impor-
tancia extraídos se encuentran la temperatura superficial del mar (AVHRR), clorofila-a y
la turbidez (SeaWiFS, anterior a 2004, y MODIS, a partir de 2004). A escalas menores
esta información se completa con imágenes Landsat y SPOT (turbidez). La precisión y
continuidad espacial y temporal de esta información sobre parámetros físicos posibilita
el estudio de su evolución temporal y su interpretación como indicadores de cambio. RE-
DIAM tiene previsto en un futuro próximo dar acceso público a la información derivada

233
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 8.4. Evolución de la turbidez en la desembocadura del río Guadalquivir desde septiembre de 2007 a
mayo de 2008, mediante imágenes MODIS de K490 . Adaptada de Moreiras et al. (2009)

de estas imágenes.
El análisis de estos indicadores se realiza a dos niveles o escalas: regional y local.
Un ejemplo y caso práctico es el estudio de la turbidez en aguas de transición alrededor
de la desembocadura del río Guadalquivir (ver figura 8.4).

1.2. Satélites de nueva generación

Deimos-1

Deimos-1 es el primer satélite de observación de la Tierra lanzado por una empresa


privada en Europa. El satélite está concebido para obtener imágenes de la Tierra de una
resolución suficientemente buena para el estudio de la cubierta vegetal terrestre, pero

234
P RESENTE Y FUTURO EN E SPAÑA

con gran amplitud de campo visual (600 km) para obtener dichas imágenes con alta
resolución temporal y a costes reducidos.
El sensor de Deimos-1 posee tres bandas en
el visible e infrarrojo cercano con una resolución
espacial de 20 m (tabla 8.1). El sistema de proce-
sado y almacenamiento de datos tiene una capa-
cidad de 4 GB y una alta velocidad de proceso,
lo cual permite al satélite obtener datos en tiem-
po real y enviar éstos a velocidad de 20 MBps a
la estación de tierra. La capacidad del sistema es
de 3 millones de km2 /día: puede obtener una co-
bertura semanal de la Península ibérica, o una de
Europa entera cada dos semanas.
Como ejemplo de las potencialidades que se
están explorando del Deimos-1 para el estudio de
aguas, comentaremos el trabajo de Doña et al.
(2011). En este trabajo, se han adaptado varios al-
goritmos de calidad de aguas, diseñados para el
Thematic Mapper, aprovechando la semejanza en-
tre ambos sensores. El estudio se realizó en la Al-
bufera de Valencia y las variables de calidad es-
tudiadas fueron la concentración de clorofila-a, la
concentración de seston (CDOM) y la transparen-
cia (profundidad del disco de Secchi). Los análi-
sis sobre el terreno, usados para el diseño de los
algoritmos, se realizaron con las metodologías ex-
plicadas en el capítulo 3. Los algoritmos se ajus-
taron a leyes de potencias (de la forma y = axb )
usando como variables de entrada las reflectancias
corregidas atmosféricamente. La banda verde (G)
Figura 8.5. Cartografías temáticas de (a)
se correlacionó con la transparencia; la banda in- concentración de clorofila-a, (b)
frarroja (NIR), con la concentración de seston, y el concentración de seston y (c)
cociente entre las reflectancias de la banda verde y transparencia (disco de Secchi) obtenidas
a partir de imágenes Deimos-1 de la
del infrarrojo cercano (G/NIR), con la [Chl-a]. Los
Albufera de Valencia. Adaptado de Doña
resultados obtenidos (figuras 8.5) arrojan errores et al. (2011).
inferiores al 20 %, que es un límite aceptable para
estudios ambientales.

235
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Tabla 8.1. Características de las bandas espectrales del Deimos-1 (http://www.deimos-imaging.com)

Región espectral Longitud de onda (nm) Resolución espacial (m)


Rojo 520 − 600 20
Verde 630 − 690 20
NIR 770 − 890 20

WorldView-2

El 8 de octubre de 2009 fue lanzado el satélite WorldView-2, con un nuevo sensor


del mismo nombre. Este sensor, con 0,5 m de resolución en el pancromático, y 2 m de
resolución en sus 8 bandas multiespectrales situadas entre 400 y 1000 nm, inició una
nueva generación de sensores multiespectrales de alta resolución espacial (figura 8.6).
Al tener el doble de bandas espectrales que se encuentran habitualmente en los sensores
de este tipo, se amplían las posibilidades de su utilización en los diversos campos. La
más inmediata es mejorar y ampliar el proyecto Corine Land Cover, que impulsa en
España el Ministerio de Fomento, y que tiene como objetivo adquirir datos geográficos
y cuantitativos para crear una base de datos europea a escala 1:100000 sobre la cobertura
y/o uso del territorio, para lo que, hasta ahora, la principal fuente de información eran las
imágenes Landsat. Sin embargo, donde se va a producir un gran avance con las imágenes

(a)
Bandas WV−2

Coastal
Blue
Green
Yellow
Red
Red edge
NIR 1
NIR 2
350

400

450

500

550

600

650

700

750

800

850

900

950

1000

1050

(b)

Figura 8.6. (a)Satélite WorldView-2, de Digital Globe


(http://www.digitalglobe.com/index.php/88/WorldView-2). (b) Distribución de las 8 bandas en el visible e
infrarrojo cercano. Cortesía de COTESA (2011), distribuidor oficial en España de la imágenes de WV-2.

236
P RESENTE Y FUTURO EN E SPAÑA

Figura 8.7. Mapa de Clorofila-a de la laguna de La Madres (Huelva). Cortesía de COTESA (2011).

WorldView-2, va a ser en los estudios del medio acuático.


El Departamento de Medio Ambiente y Riesgos de COTESA (Centro de Observa-
ción y Teledetección Espacial S.A.), distribuidor oficial de imágenes WorldView-2 para
España, ha llevado a cabo un proyecto de I+D+i para mostrar a la comunidad científica
y de gestores del agua de toda España, las posibilidades de este nuevo sensor. Este pro-
yecto se ha dirigido a evaluar la viabilidad técnica del uso de las imágenes WorldView-2
en estudios medioambientales del medio acuático; en una primera etapa completando
el análisis de satélites de posibilidades más reducidas, y a largo plazo sustituyéndolos.
Algunas de las aplicaciones que se han explorado incluyen la generación de batimetrías
de zonas marinas y lacustres, aprovechando la alta resolución espacial y la capacidad
estereoscópica de las imágenes, la cartografía de hábitats marinos, con especial atención
a la ubicación y estado de especies bentónicas de especial importancia, y el cálculo de
indicadores de calidad de aguas integrando las nuevas bandas en metodologías ya exis-
tentes. Para ello, COTESA ha tramitado, sin coste para los investigadores interesados,
adquisiciones programadas sobre diversas zonas del territorio español. Los resultados de
estos análisis han proporcionado resultados sorprendentes como la obtención de carto-
grafías temáticas de alta resolución de concentración de clorofila-a y ficocianina entre
otros parámetros de calidad de aguas.

237
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

2. ESTUDIOS FUTUROS: NUEVOS SENSORES

Los trabajos realizados hasta el momento abren numerosas líneas de investigación


que se desarrollarán en las próximas décadas y, posiblemente, durante todo el siglo XXI.
Esto se debe a la continuación de las configuraciones espectrales ampliamente estudia-
das basadas en Spot, Landsat o MERIS, en los futuros satélites como World View-2,
Sentinel-2, Ingenio o Deimos-2.

Sentinel-2

Sentinel-2 es la misión óptica de resolución espacial media del programa GMES


(Global Monitoring for Environment and Security) que tiene como objetivo disponer, a
partir de 2013, de una red europea de monitorización y análisis de datos relevantes para
el medioambiente y la seguridad.
El satélite Sentinel-2 estará situado en órbita heliosíncrona a 780 km de altitud y
tendrá un período de revisita de 10 días, en el ecuador, y de 4-6 días en latitudes medias.
El barrido de imagen será de 290 km. El primer satélite del Sentinel-2 se lanzará en
2013, y está previsto el lanzamiento de otro satélite gemelo que permitirá duplicar la
frecuencia con que se cubrirá todo el planeta.

Tabla 8.2. Características de las bandas espectrales del Sentinel-2 (http://www.esa.int)

Longitud de onda (nm) Ancho de banda (nm) Resolución espacial (m)


443 20 60
490 65 10
560 35 10
665 30 10
705 15 20
740 15 20
775 20 20
842 115 10
865 20 20
940 20 60
1375 20 60
1610 90 20
2190 180 20

238
P RESENTE Y FUTURO EN E SPAÑA

El sensor de Sentinel-2 poseerá 13 bandas espectrales distribuidas en el visible, in-


frarrojo cercano e infrarrojo de onda corta. La resolución espacial varía entre los 10 m
y los 60 m (tabla 8.2). El Sentinel-2 está pensado para la producción de imágenes de las
masas terrestres, asegurando la continuidad de la observación óptica de la Tierra como
sucesor de los satélites Spot y Landsat. Las características de sus bandas, especialmente
en el visible e el infrarrojo cercano, así como su resolución espacial, sin embargo, prevén
que sea un satélite óptimo para el estudio de las aguas continentales.

Ingenio

INGENIO forma parte, junto con el satélite radar PAZ, del PNOTS (Plan Nacional
de Observación de la Tierra Español). Será un satélite óptico de uso civil gestionado por
el CDTI (Centro para el Desarrollo Tecnológico e Industrial, dependiente del Ministerio
de Industria) y se espera que esté operativo tras su lanzamiento en 2014.
INGENIO será colocado en una órbita heliosíncrona a unos 670 km de altura, pro-
porcionando una amplitud de campo de 60 km, con un tiempo de revisita de 2 − 3 días
en su modo extendido (con campo de visión de 35◦ ) o de 30 días en modo nominal (con
campo de visión de 5◦ ), y adquiriendo hasta 500 imágenes diarias. La configuración es-
pectral de su sensor está formada por un canal pancromático, con resolución espacial de
2,5 m, y cuatro bandas multiespectrales con una resolución espacial de 10 m.

Deimos-2

La misión Deimos-2, cuyo lanzamiento está previsto para el 2013, busca tener un
satélite pequeño y ligero para aplicaciones de observación de la Tierra a gran resolución.
El satélite se colocará en una órbita heliosíncrona a 620 km, proporcionando un barrido
de imagen de 12 km y un período de revisita de un día y medio para la Península Ibérica.
El sensor del Deimos-2 poseerá un canal pancromático con resolución espacial de 1 m y
cuatro canales multiespectrales de 4 m de resolución (ver tabla 8.3). El número de píxeles
activos (que adquieren datos de barrido simultáneamente) en la banda pancromática será
de 12000, mientras que las bandas multiespectrales tendrán 3000 píxeles activos.
Deimos-2 será capaz de evaluar el estado atmosférico durante la toma de datos con
el fin de realizar calibraciones radiométricas absolutas. Para ello necesitará de medidas
tomadas en tierra de manera simultánea a la medición hecha desde el satélite:

239
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Tabla 8.3. Características de las bandas espectrales del Deimos-2 (http://www.deimos-imaging.com).

Zona del espectro Longitud de Onda (nm) Resolución Espacial (m)


Pancromático 500 – 900 1
Azul 455 – 525 4
Verde 525 – 595 4
Rojo 635 – 695 4
Infrarrojo cercano 770 – 885 4

Medida sobre el objetivo con radiómetros móviles ASD (Dispositivos Analíticos


Espectrales).

Medidas de humedad y temperatura en superficie simultaneamente a la adquisi-


ción de las imágenes.

Estado atmosférico durante la adquisición, midiendo el AOD (Profundidad Óptica


de los Aerosoles) a través de fotómetros solares.

Estas medidas se usarán para convertir la radiancia tomada en tierra en un valor estimado
de la radiancia en el satélite (TOA - Radiancia en la parte superior de la atmósfera).
Este valor teórico se comparará con la medida realizada por Deimos-2 para realizar la
calibración.
La resolución espectral y espacial, así como la elevada resolución temporal, del
Deimos-2 permitirán su uso en estudios temporales muy útiles para detectar fenóme-
nos puntuales en las masas de agua.

Cinclus

El sensor Cinclus está siendo diseñado y desarrollado por el CSIC, en colaboración


con el INTA y el CEDEX, con el objetivo de proporcionar un gran avance en la telede-
tección de aguas continentales.
Se situará en una órbita polar heliosíncrona a una altura de 600 − 875 km y pro-
porcionará una resolución espacial de 50 m (tabla 8.4), con ancho de imagen de 50 a
75 km y cobertura óptima de 15 días (y siempre igual o inferior a 30 días, es decir, 12
observaciones anuales).
Cinclus es un fotómetro CCD con cinco bandas espectrales en la región del rojo e in-
frarrojo cercano, cuatro especialmente seleccionadas para el estudio del agua y la última

240
P RESENTE Y FUTURO EN E SPAÑA

Tabla 8.4. Características de las bandas espectrales del sensor Cinclus (Ruíz-Verdú et al., 2009).

Bandas Longitud Onda (nm) Ancho banda (nm) Propósito


B1 625 10 Absorción ficocianina
B2 675 10 Absorción clorofila-a
B3 705 10 Mín. absorción pigmentos
B4 780 12 Retrodisp. partículas
B5 865 12 Espesor ópt. aerosoles

para la corrección atmosférica. Para establecer el requisito de resolución radiométrica,


se ha fijado como objetivo que con las medidas obtenidas por este sensor sea posible
detectar cambios de 0,5 mg/m3 en la concentración de clorofila-a y de 1 mg/m3 en la
concentración de ficocianina.
Por las características de su diseño, este sensor promete ser muy valioso en el estudio
de la calidad de las aguas continentales.

2.1. Otras plataformas

No solamente están apareciendo nuevos sensores a bordo de satélites. En la actua-


lidad se están mejorando las prestaciones y reduciendo el tamaño de los sensores ae-
rotransportados. En particular, se abre una nueva etapa con las plataformas aéreas no
tripuladas (UAV), aviones y helicópteros, que portan micro-sensores de características
espectralmente similares a los tradicionalmente instalados en plataformas aéreas tripu-
ladas y espaciales. Además, las imágenes que pueden proporcionar son de muy alta
resolución espacial, inferior a un metro.
Un ejemplo de desarrollo de UAV en España es el QuantaLab-IAS-CSIC2 , labora-
torio de teledetección del Consejo Superior de Investigaciones Científicas (CSIC) de
Córdoba, que está desarrollando sensores hiperespectrales incorporados en plataformas
no tripuladas (figura 8.8). QuantaLab-IAS-CSIC ha incorporado a un avión no tripulado,
un sensor de imagen micro-hiperespectral (Micro-HiperspecTM Spectrometer, Headwall
Photonics) que permite adquirir imágenes entre 400 y 900 nm, con una resolución es-
pectral de 5 nm y una resolución espacial de hasta 40 cm. El principal objetivo es el
desarrollo metodológico para el seguimiento de vegetación tanto agrícola como forestal
mediante teledetección cuantitativa, aunque el rango espectral es muy adecuado para el

2
http://quantalab.ias.csic.es/

241
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura 8.8. Despegue de un UAV. Imagen cortesía de Pablo Zarco-Tejada (Instituto de Agricultura
Sostenible, IAS-CSIC, 2011).

Figura 8.9. “Cubo 3D” construido superponiendo las bandas (entre 400 − −900 nm) de una imagen
hiperespectral obtenida con el sensor Micro-HiperspecTM Spectrometer en un UAV. Se muestra
superpuesto el espectro de agua del punto indicado en la imagen de la “tapa del cubo”. Imagen generada a
partir de datos cortesía de Pablo Zarco-Tejada (Instituto de Agricultura Sostenible, IAS-CSIC, 2011).

estudio de aguas. Como ejemplo de la potencia de esta nueva teledetección hiperespec-


tral de alta resolución se muestra un “cubo” hiperespectral de una zona piloto de estudio,
junto con un espectro de agua derivado de él (figura 8.9).
Otro ejemplo de proyecto basado en UAV, pero orientado particularmente al estudio
de aguas, es el que están llevando a cabo la Asociación de la Industria de Navarra (AIN),
en colaboración con la empresa pública Riegos de Navarra y el Departamento de Desa-

242
P RESENTE Y FUTURO EN E SPAÑA

Figura 8.10. Prototipo de sensor y plataforma no tripulada UAR-35. PROYECTO LIFE+ ES-AG_UAS
(LIFE09 ENV/ ES/ 0456). Gestión sostenible del agua a nivel regional mediante Teledetección Aérea
basada en Sistemas Aéreos no Tripulados (UAS). ACRONIMO: AG_UAS (AIN, 2011).

rrollo Rural y Medio Ambiente de Gobierno de Navarra, a través de un proyecto europeo


LIFE 2009.
Este proyecto utiliza como plataformas helicópteros no tripulados (figura 8.10), con
sensores infrarrojos de alta resolución y multiespectrales. El objetivo es la detección de
vertidos, fugas y filtraciones en infraestructuras hidráulicas y de almacenamiento, así
como monitorizar el estado ecológico y químico de aguas superficiales; todo ello orien-
tado a aplicar las directivas comunitarias 2000/60/CE (sobre el marco comunitario de
actuación en el ámbito de la política de aguas) y 2006/21/CE (sobre residuos de indus-
trias extractivas). El uso de UAV permitirá cubrir el hueco entre la teledetección satelital
(limitada en resolución temporal y espacial) y la teledetección basada en plataformas
aerotransportadas convencionales (muy cara para ámbitos regionales).

3. CONCLUSIÓN

La Directiva Marco del Agua (Directiva 2000/60/CE) establece por primera vez un
marco común para alcanzar el buen estado ecológico de las masas de agua en todos los
países miembros de la Unión Europea. El objetivo es alcanzarlo el año 2015, fecha a
partir de la que se realizará su seguimiento.
Se puede afirmar que los trabajos realizados en el siglo XX y en la primera década
del siglo XXI ya permiten que la teledetección sea la principal herramienta para realizar
ese seguimiento del estado ecológico y trófico de las masas de agua con una periodicidad
adecuada, y sobre toda su superficie. De este modo se pueden detectar situaciones diver-
sas distribuidas espacialmente así como su influencia en las zonas circundantes. También
se pueden detectar con suficiente antelación los blooms de fitoplancton, especialmente
de cianobacterias, algunas de las cuales son tóxicas.

243
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

El avance tecnológico hace que los nuevos sensores, como los presentados en este
capítulo, mejoren las expectativas que hasta el momento se han alcanzado, hasta hacer
que el seguimiento de la calidad del agua mediante imágenes de satélite sea parecida a
la ya conocida en meteorología con los “hombres y mujeres del tiempo”. Nos encontra-
mos ante una nueva situación social del uso de información espacial y, posiblemente, en
ella figurarán los que se conocerán comúnmente como “hombres y mujeres del agua”,
dedicados a realizar el seguimiento del estado de calidad del agua, de los sistemas eco-
lógicos a partir de imágenes de satélite. Este libro puede ser una ayuda para el inicio de
la formación de esta nueva generación de profesionales.

244
A PÉNDICE A
CAMBIOS EN LAS HERRAMIENTAS DE BEAM/VISAT

Como se dice en el prefacio, el origen de este libro se encuentra en unos cursos


de doctorado impartidos en el curso 2008-2009. En ese momento, la última versión del
software BEAM/VISAT era la 4.6, por lo que las herramientas descritas en el capítulo 4,
corresponden a las disponibles en dicha versión.
Debido a la gran comunidad que usa este software y al dinamismo en el desarrollo
del mismo, cada pocos meses se generan versiones nuevas con nuevas herramientas y
nuevas utilidades. Hemos creído conveniente comentar los principales cambios y me-
joras efectuadas sobre BEAM/VISAT hasta la versión 4.9, que es la última a fecha de
septiembre de 2011.

CAMBIOS EN LA INTERFAZ

Debido a algunos cambios en el modelo de datos de BEAM (sobre todo, debido a


la incorporación de los datos vectoriales, las “Geometrías”, como entidades de primer
nivel, no supeditadas a la visualización), muchos menús como “Edit” o “View” han cam-
biado drásticamente (véase más adelante la descripción de “Geometry Management”).
Ya no hay referencias a la conversión de Shape a ROI (o viceversa) en el menú “Edit”, o
a la visualización de las capas (overlays) de Shapes o ROI, que pasan a ser simplemente
“Geometry”.
Otras herramientas han cambiado de nombre o, ligeramente, de interfaz. Es el caso
de las herramientas (menú “Tools”):

“Band Arithmetic”, pasa a llamarse “Create Band by Band Maths”

“Create elevation bands”, es ahora “Create DEM-related bands” (a pesar de que


sigue creando una única banda de elevación)

“Create subset from view”, se llama “Spatial Subset from View”

“Mosaic processor”, se ha convertido en “Mosaic”.

245
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Algunas herramientas han sido sustituidas por herramientas más completas. Es el caso
de:

La lectura y escritura de productos ha sido ampliada. La última versión del soft-


ware es capaz de leer además productos de vegetación de SPOT, productos del
sensor TM de Landsat, ficheros tipo HDF-EOS y NetCDF/CF. La escritura se ha
extendido a archivos del tipo NetCDF/CF.

Las herramientas “Statistics”, “Histogram” y “Scatter Plot” pueden restringir su


cálculo a ROIs, como en versiones anteriores, pero con la diferencia de que ahora
se permite elegir las ROIs entre todas las almacenadas en las máscaras creadas o
importadas. De hecho, la herramienta “Statistics” es capaz de operar con múltiples
ROIs.

La herramienta “World Map” incluye en la última versión del software compo-


siciones RGB de alta resolución sobre las que se puede hacer zoom sin perder
mucho contraste.

Las herramientas “Reprojection”, “Mosaicing” y “Orthorectificaton” han sido re-


diseñadas. Aunque las interfaces que se utilizan para trabajar con ellas son las
mismas, ahora ofrecen una selección de 25 proyecciones para poder reproyectar
los productos con más de 100 datum geodéticos.

La herramienta “Radiance-To-Reflectance Processor (MERIS)”, ha sido reempla-


zada por la “MERIS L1b Radiometry correction”, haciendo el proceso de forma
automática para imágenes MERIS L1b.

NUEVAS HERRAMIENTAS

Geometry Management

Inclusión de una nueva herramienta para gestión de geometrías denominada “Geo-


metry Management” que introduce en BEAM el concepto de “Geometría”. Hasta el
momento, todos los datos manejados por BEAM eran de tipo raster. Las geometrías son
datos de tipo vectorial que pueden ser almacenados en archivos tipo BEAM/DIMAP y
que, por tanto, forman parte del producto con el que se trabaja. De esta forma, cada
producto puede contener un cierto número de geometrías que se almacenan, a su vez,
en “Geometry containers” o carpetas específicas para almacenar “Geometrías”. Cuando

246
C AMBIOS EN LAS HERRAMIENTAS DE BEAM/VISAT

Figura A.1. Vista del explorador de imágenes de VISAT en el que está seleccionada una geometría llamada
“Albufera” almacenada en la “Geometry container” “Geometries”.

se crea una “Geometría”, sin existir previamente un “Geometry container” para almace-
narla, BEAM crea automáticamente uno, denominado “geometry”, como se muestra en
la figura A.1. Por lo tanto, desaparece el concepto de “Shape”, al ser ya innecesario el
concepto de una figura que está simplemente vinculada a la vista de una imagen. Desde
el punto de vista de la interfaz gráfica, las geometrías se generan de la misma forma que
en la versión anterior se generaban los “Shapes”.
Las geometrías de un “Geometry container” pueden ser usadas directamente como
ROIs para el análisis de datos tipo raster. La forma en que ambos se relacionan consiste
en que, una vez que se ha añadido una geometría a un producto, se crea automáticamente
una máscara, denominada “geometry mask”, que toma el mismo nombre que la geome-
tría de la que proviene y que consiste en la conversión de la figura dada por la geometría

(a) (b)

Figura A.2. (a) Geometría que dibuja el contorno del lago de la Albufera; (b) Máscara correspondiente a la
geometría dibujada en (a).

247
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura A.3. Panel correspondiente a la herramienta “Mask and ROI Management”.

en datos tipo raster, de manera que la imagen tipo raster represente la figura dada por la
geometría, como se puede observar en las figuras A.2.
La manera de trabajar con las geometrías y las máscaras es utilizando la herramienta
“Mask and ROI Management” que se encuentra en la pestaña “View” ->“Tool Win-
dows”. La ventana que muestra dicha herramienta se pude observar en la figura A.3. Se
puede ver que esta herramienta sustituye al “Bitmask Overlay” de la versión 4.6 per-
mitiendo además incluir las máscaras generadas a través de las geometrías, máscaras
generadas a través de operaciones entre bandas o máscaras que comprendan los píxeles
situados en un rango de valores de una banda en concreto.

Glint correction

Otra de las mejoras introducidas en BEAM/VISAT en su última versión es la nueva


herramienta “Glint Correction (MERIS/(A)ATSR)”, útil para llevar a cabo correcciones
radiométricas de superficies con alta reflectancia como el caso de desiertos y superficies
heladas. Esta herramienta se compone de dos partes:

FLINT: es un algoritmo capaz de calcular los destellos producidos por reflexiones


especulares en 865 nm a partir de los destellos que se han detectado en las bandas
SWIR y TIR de AATSR.

AGC: Es la corrección propiamente dicha de los destellos junto con una corrección
atmosférica.

El cómputo del valor FLINT (reflexión producida en el destello) es algo opcional que se
calcula a través de la red neuronal entrenada para hacer la corrección atmosférica y de
destellos (AGC). De hecho, para dicha corrección no es necesario el cálculo del valor

248
C AMBIOS EN LAS HERRAMIENTAS DE BEAM/VISAT

Figura A.4. Ventana “I/O Parameters” de la herramienta “Glint Correction (MERIS/(A)ATSR)”.

FLINT.
El cálculo del valor FLINT necesita como entrada una superposición de imágenes
MERIS y AATSR de nivel 1b, en cambio la corrección AGC sólo necesita el producto
MERIS como entrada.
Los parámetros del proceso se seleccionan a través de dos pestañas mostradas en las
figuras A.4 y A.5 cuyas opciones se explican a continuación.

I/O Parameters: Controla los productos de entrada y salida de la herramienta.

Source Product: Información de los productos de entrada:


MERIS L1b input product: información del producto MERIS de entrada.
AATSR (FLINT) Product Usage: Información sobre el cómputo del valor FLINT.
La opción “AATSR (FLINT) product from AATSR L1b and use as AGC in-
put” permite decidir si el cálculo del valor FLINT se va a efectuar o no.
Source Product: En caso de haber elegido que el cálculo del valor FLINT se
efectúe, en esta ventana se escribe la información sobre el producto AATSR
a utilizar para el cálculo.

249
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Figura A.5. Ventana “Processing Parameters” de la herramienta “Glint Correction (MERIS/(A)ATSR)”.

Target Product: Información del producto de salida

Name: Nombre del producto de salida.


Save as: Formato del producto de salida. En esta nueva version BEAM ofrece las
opciones NetCDF-BEAM, NetCDF-CF, GeoTIFF, BEAM/DIMAP y HDF5.
Directory: Directorio donde se guardará el producto de salida.

Por último VISAT ofrece la opción de abrir el producto automáticamente después de su


generación.

Processing Parameters: Permite escoger las opciones para el cálculo, como corregir el
“efecto sonrisa” en la imagen, incluir en el producto de salida variables como las
reflectancias en el tope de la atmósfera y las reflectancias que provienen de super-
ficies de agua, elegir una expresión para discriminar las superficies de tierra y usar
o no el valor FLINT en la red neuronal AGC con la elección de la correspondiente
red neuronal para usar en el cálculo.

La Figura A.6 muestra un ejemplo de la radiancia de la banda 13 de MERIS (865 nm)


antes de aplicar la herramienta “Glint Correction (MERIS/(A)ATSR)”. La Figura A.7
muestra las reflectancias correspondientes de la misma banda 13 que provienen de su-
perficies de agua, una vez hecha la corrección.

250
C AMBIOS EN LAS HERRAMIENTAS DE BEAM/VISAT

Figura A.6. Radiancias de la banda 13 de MERIS en una imagen que muestra la costa de levante, Islas
Baleares y parte del mar Mediterráneo el 11 de Agosto de 2006.

Figura A.7. Reflectancias correspondientes a la banda 13 del mismo producto que el mostrado en la Figura
A.6 una vez hecha la corrección “Glint Correction (MERIS/(A)ATSR)”.

251
A PÉNDICE B

TABLA DE ACRÓNIMOS EMPLEADOS EN EL LIBRO

Acrónimo Significado y traducción


AOD Espesor óptico de aerosoles
(Aerosol Optical Depth)
AGC Corrección atmosférica y de destellos
(Atmosphere and Glint Correction)
AIN Asociación de la Industria de Navarra
AOP Propiedades Óptica Aparentes
(Apparent Optical Properties)
ALME Análisis Lineal de Mezclas Espectrales
ASD Dispositivos Analíticos Espectrales
(Analytical Spectral Devices)
(A) ATSR Radiómetro Avanzado de Exploración Longitudinal
((Advanced) Along-Track Scanning Radiometer)
ATBD Documento que describe la Base Teórica del Algoritmo
(Algorithm Theoretical Basis Document)
ATM Mapeador Temático Aerotransportado
(Airborne Thematic Mapper)
AVHRR Radiómetro Avanzado de Muy Alta Resolución
(Advanced Very High Resolution Radiometer)
AVIRIS Espectrómetro Aéreo de Imágen Visible/Infrarrojo
(Airborne Visible / Infra-Red Imaging Spectrometer)
BEAM Software de la ESA especialmente generado para trabajar con
productos obtenidos a través de ERS y (A)ATRS y MERIS de
ENVISAT
(Basic ERS&ENVISAT (A)ATSR MERIS toolbox)
BHT Hidroxi-tolueno Butilado
(Butylated Hydroxy-Toluene)
CASI Espectrómetro Aéreo de Imágen Compacto
(Compact Airborne Spectrographic Imager)
CDOM Materia Orgánica Disuelta Coloreada
(Colored Dissolved Organic Matter)
CEDEX Centro de Estudios y Experimentación de Obras Públicas

253
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Acrónimo Significado y traducción


CEH Centro de Estudios Hidrográficos
CEHUM Centro Español de Estudio de Humedales
CHRIS Espectrómetro Compacto de Imagen de Alta Resolución
(Compact High-Resolution Imaging Spectrometer)
COTESA Centro de Observación y Teledetección Espacial S.A.
CSIC Consejo Superior de Investigaciones Científicas
CSV Documento en el que los datos se representan en Columnas separadas
por Comas
(Comma Separated Values)
CTD Sonda de medida simultánea de la Conductividad, la Temperatura y la
Profundidad
(Conductivity Temperature Depth probe)
CDTI Centro para el Desarrollo Tecnológico e Industrial
CZCS Escaner de Color de Zona Costera
(Coastal Zone Color Scanner)
DAD Detector de Haz de Diodos
(Diode Array Detector)
DEM Modelo de Elevación Digital del Terreno
(Digital Elevation Model)
DIM/DIMAP Mapa/Relación de imágenes digitales
(Digital Image MAP)
DOC Carbono Orgánico Disuelto
(Dissolved Organic Carbon)
DS-1268 Escáner Daedalus (ATM)
(Daedalus Scanner 1268)
DUP Programa de Datos para Usuarios
(Data User Programme)
ECMWF Centro Europeo de Predicción a Medio Plazo
(European Center for Medium-range Weather Forecasts)
ECSC-EEC- Comunidad europea del carbón y del acero – Comunidad económica
EAEC europea – Comunidad europea de la energía atómica
(European Carbon and Steal Community – European Economic
Community – European Atomic Energy Community)
EM Esperanza-maximización (algoritmo)
(Expectation Maximization algorithm)
ENVISAT Satélite para el Estudio del Medioambiente
(ENVIronmental SATellite)

254
TABLA DE ACRÓNIMOS EMPLEADOS EN EL LIBRO

Acrónimo Significado y traducción


EP-CDC-PC Estimación de Pigmentos por Calibración Directa en Campo
EPS Sistema Polar de EUMETSAT
(EUMETSAT Polar System)
ERHIN Evaluación de los Recursos Hídricos procedentes de la Innivación
ERS Satélite para Teledetección Europeo
(European Remote-sensing Satellite)
ESA Agencia Espacial Europea
(European Space Agency)
ETM+ Mapeador Temático Mejorado
(Enhanced Thematic Mapper Plus)
EUMETSAT Organización Europea para la Explotación de los Satélites
Meteorológicos
(EUropean METheorological SAtellites)
FLD Detector de Fuorescencia
(Fluorescent Light Detector)
FLH/MCI Altura de la Línea de Clorofila e Índice Máximo de Clorofila
(Fluorescence Line Height Maximum Chlorophyl Index)
FLINT Reflexión producida en el destello
(Glint Reflection)
FOV Campo de Visión
(Field Of View)
GCP Punto de Control en la Superficie
(Ground Control Point)
GETASSE30 Elevación topográfica terrestre y de la superficie del mar con
resolución de 30 segundos de arco
(Global Earth Topography And Sea Surface Elevation at 30 arcsec
resolution)
GIS Sistema de Información Geográfica
(Geographical Information System)
GLDV Vector de Diferencias de Niveles de Gris
(Grey Level Diferences Vector)
GMES Vigilancia global para el entorno y la seguridad
(Global Monitoring for Environment and Security)
GPS Sistema de Posicionamiento Global
(Global Positioning System)
HDF Formato de Datos Jerárquico
(Hierarchical Data Format)

255
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Acrónimo Significado y traducción


HPLC Cromatografía Líquida de Alta Resolución
(High Precision Liquid Chromatography)
HZG Centro de la Asociación Helmholtz en la ciudad de Geesthacht
(Helmholtz-Zentrum Geesthacht)
IAS-CSIC Instituto de Agricultura Sostenible del Consejo Superior de
Investigaciones Científicas
IGN Instituto Geográfico Nacional
INTA Instituto Nacional de Técnica Aerospacial
IOP Propiedades Ópticas Inherentes
(Inherent Optical Properties)
IRIS Espectrómetro Interferómetro Infrarrojo
(Infra-Red Interferometer-Spectrometer)
LANDSAT Satélite de observación del terreno
(LAND SATellite)
LIDAR Sensor para Detección y Medición de Luz
(Light Detection And Ranging)
LIFE Instrumento europeo de financiación de programas ambientales
(L’Instrument Financier pour l’Environment)
MCI Índice Máximo de Clorofila
(Maximum Chlorophyll Index)
MERIS Espectrómetro de Imágenes de Resolución Media
(MEdium Resolution Imaging Spectrometer)
MODIS Espectrorradiómetro de Imágenes de Media Resolución
(MODerate-resolution Imaging Spectrometer)
MSS Escáner Multiespectral
(Multi-Spectral Scanner)
NaN Valor no representado por un número
(Not a Number)
NASA Administración Nacional de Aeronáutica y del Espacio
(National Aeronautics and Space Administration)
ND Nivel Digital
NDBI Índice Diferencial Normalizado de “Blooms” Algales
(Normalized Differences Bloom Index)
NDDI(E) Índice Diferencial Normalizado de Sequía (adaptado para España)
(Normalized Differences Drought Index)
NDVI Índice Diferencial Normalizado de Vegetación
(Normalized Differences Vegetation Index)

256
TABLA DE ACRÓNIMOS EMPLEADOS EN EL LIBRO

Acrónimo Significado y traducción


NDWI Índice Diferencial Normalizado de Agua
(Normalized Differences Water Index)
NetCDF Formato común de datos para la red
(Network Common Data Format)
NOAA Administración Nacional Oceánica y Atmosférica
(National Oceanic and Atmospheric Administration)
NTU Unidades Nefelométricas de Turbidez
(Nephelometric Turbidity Units)
OCDE Organización para la Cooperación y el Desarrollo Económico
OCTS Escáner de color oceánico y térmico
(Ocean Color and Thermal Scanner)
PAR Radiación Fotosintéticamente Activa
(Photosynthetically Active Radiation)
PC Concentración de Ficocianina
(Phycocyanine Concentration)
PNOA Plan Nacional de Observación Aérea
PNOTS Plan Nacional de Observación de la Tierra Español
PNT Plan Nacional de Teledetección
POC Carbono Orgánico Particulado Muerto
(Particulated Organic Carbon)
PROBA Satélite del Proyecto para Autonomía a Bordo
(Project for On-Board Autonomy)
RADAR Sensor para Detección y Medición de Distancias por Radio
(RAdio Detection and Ranging)
REDIAM RED de Información Ambiental (de la Junta de Andalucía)
RGB Imagen compuesta a través de tres canales - Rojo, Verde y Azul
(Red-Green-Blue)
ROI Región de Interés
(Region Of Interest)
RTE Ecuación de Transferencia Radiativa
(Radiative Transfer Equation)
SAR RADAR de Apertura Sintética
(Synthetic Aperture Radar)
SCAPE-M Corrección de parámetros atmosféricos para productos MERIS que
usa datos contenidos en el mismo producto
(Self-Contained Atmospheric Parameters. Estimation from MERIS)

257
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

Acrónimo Significado y traducción


SCOR/ Modelo de Referencia de Operaciones de la Cadena de Suministro de
UNESCO la Organizacion de las Naciones Unidas para la Educacion y Cultura
(Scientific Committee on Oceanic Research of the United Nations
Educational, Scientific and Cultural Organization)
SeaDAS Sistema para el análisis de datos de SeaWiFS
(SeaWiFS Data Analysis System)
SeaWiFS Espectrómetro marino de campo amplio
(Sea Wide Field Spectrometer)
SEVIRI Radiómetro de Exploración por Barrido Giratorio en las Regiones
Visible e Infrarroja del Espectro
(Spinning Enhanced Visible Infra-red Radiometer)
SIMPA SIMulación Precipitación - Aportación
SIOSE Sistema de Información sobre Ocupación del Suelo de España
SMAC Método Simplificado para la Corrección Atmosférica de Imágenes
tomadas desde Satélite
(Simplified Method for Atmospheric Correction)
SPOT Satélite para la Observación de la Tierra
(Satellite Pour l’Observation de la Terre)
SS Sólidos en Suspensión
SST Temperatura de la Superficie del Mar
(Sea Surface Temperature)
TIFF Formato de Archivo de Imágenes con Etiquetas
(Tagged Image File Format)
TIMS Escáner Multiespectral de Infrarrojo Térmico
(Thermal Infra-red Multispectral Scanner)
TM Mapeador Temático
(Thematic Mapper)
TOA Tope de la Atmósfera
(Top Of the Atmosphere)
TOC Carbono Orgánico Total
(Total Organic Carbon)
TP Concentración de Fósforo Total
(Total Phosphorus)
TSM Sólidos en Suspensión
(Total Suspended Matter)
UAV Vehículo aéreo no tripulado
(Unmanned Aerial Vehicle)

258
TABLA DE ACRÓNIMOS EMPLEADOS EN EL LIBRO

Acrónimo Significado y traducción


UNED Universidad de Educación a Distancia
UNESCO Organizacion de las Naciones Unidas para la Educacion y Cultura
(United Nations Educational, Scientific and Cultural Organization)
UPV Universidad Politécnica de Valencia
UTM Sistema de Coordenadas Universal Transversal de Mercator
(Universal Transverse Mercator)
UV Ultravioleta
UV Universidad de Valencia
VISAT Herramienta de visualización y análisis
(Visualization and Analysis Tool)
WGS84 Sistema Geodético Mundial (1984)
(World Geodetic System 1984)
ZEPA Zona de Especial Protección para las Aves

259
BIBLIOGRAFÍA

[1] Adams, J.B., Sabol, D.E., Kapos, V., Almeida, R. y Roberts, M.O. (1995):Classi-
fication of multispectral images based on fractions of endmembers: application to
Land-Cover change in the Brazilian Amazon, Remote Sensing of Environment,
vol. 52, pp. 137-184.
[2] Almera, J. (1990): Reconocimiento limnológico de los embalses de la cuenca del
Tajo por teledetección. CEDEX, Ministerio de Fomento, Madrid. Barcelona, 10-
11 dic 1986, pp 141-156
[3] Alonso, C., Domínguez, J.A., Alonso, A. (2011): Monitoring blooms of poten-
cially toxic cyanobacteria in galicia marine and freshwater using remote sensing
(2007-2010), Marine and Freshwater Toxins Analysis Second Joint Symposium
and AOAC Task Force Meeting
[4] Álvarez Cobelas, M. (1991): Optical limnology of a hypertrophic gravel-pit lake,
Int. Revue ges. Hydrobiol., vol. 76, nº 2, pp. 213-223.
[5] American Public Health Organization (1995): Standard Methods for the examina-
tion of water and wastewater. American Public Health Organization, 19ª Edición,
Washington DC, EE.UU.
[6] Anderson, J. (1992): Determinations of water surface temperature based on the
use of Thermal Infrared Multispectral Scanner Data Geocarto Intenational, vol. 7,
nº3 pp. 3 – 10.
[7] Ángel, Mª C. (1994): Aplicación de la Teledetección en la localización de su-
perficies de agua, Ministerio de Obras Públicas, Transporte y Medio Ambiente,
Madrid.
[8] Antoine, D y Morel, A. (1997): Algorithm theoretical base document. Atmosphe-
ric correction over the ocean. MERIS, ESA.
[9] Aspinall, R.J. y Hill, M.J. (1997): Land cover change: a method for assessing
the reliability of land cover changes measured from remotely-sensed data. IEEE,
International Geoscience and Remote Sensing Symposium Proceedings, pp. 269-
271.

261
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

[10] Asrar, G. (ed) (1989): Theory and Applications of Optical Remote Sensing, Wiley,
New York

[11] Austin, R.W. (1974): The remote sensing of spectral radiance from below the
ocean surface, Optical Aspects of Oceanography, pp.317-344.

[12] Baban, S.M.J. (1993): Detecting water quality parameters in the Norfolk Broads
U.K., using Landsat imagery, International Journal of Remote Sensing, vol.14,
nº7, pp.1245-1246.

[13] Banderas, C y Caselles, V. (1992): A simple technique for estimating surface tem-
perature by means of a thermal infrared radiometer, International Journal of Re-
mote Sensing, vol.13 nº15, pp.2951-2956.

[14] Bartolucci, L.S.(1985): Calibration of Landsat-5 TM Thermal IR data, Procee-


dings of the 1st National Simposium on Remote Sensing, vol.1, pp.1-25.

[15] Batanero, J. G. (1999): Otros tratamientos biológicos de fangos activados:


contacto- estabilización ,doble etapa y canales de oxidación, XX Curso sobre Tra-
tamiento de Aguas Residuales y Explotación de Estaciones Depuradoras, Madrid.

[16] Bennett, A., & Bogorad, L. (1973): Complementary Chromatic Adaptation in a


filamentous blue-green alga. The Journal Of Cell Biology, 58, 419-435.

[17] Berwald, J., Stramski, D., Mobley, C.D. y Kiefer, D.A. (1995): Influences of ab-
sorption and scattering on vertical changes in the average cosine of the underwater
light field. Limnology and Oceanography, vol 40, nº. 8, 1347-1357.

[18] Bhargava, D.S. y Mariam, D.W. (1991): Effects of suspended particle size and
concentration on reflectance measurements, Photogrammetric Engineering & Re-
mote Sensing, vol. 57, nº 5, pp.519-529.

[19] Bidigare, R. (1999): Phytoplankton pigment Biochemistry,


http://www.soest.hawaii.edu/oceanography/faculty_html/bidigare.html

[20] Bolgrien, V., Granim, N. y Levin, L. (1995): Surface temperature dynamics of lake
Baikal observed from AVHRR images, Photogrammetric Engineering & Remote
Sensing, vol. 561 nº 2, pp.211-216.

[21] Boney, A.D.: Phytoplankton. Studies in Biology, nº 52. Hodder & Stoughton Edu-
cational, 1975.

262
BIBLIOGRAFÍA

[22] Bourg, L., D’Alba, L., and Colagrande, P. (2008): MERIS Smile Ef-
fect Characterization and Correction. MERIS ESL Technical Note.
http://earth.esa.int/pcs/envisat/meris/documentation/MERIS_Smile_Effect.pdf

[23] Bricaud, A., Morel, A. and Prieur, L. (1981): Absorption by dissolved organic
matter of the sea (yellow substance) in the UV and visible domains. Limnol.
Oceanogr., 26, pp. 43-53.

[24] Caetano, M.S., Mertes, L.A.K. y Pereira, J.M.C. (1994): Using spectral mixtures
analysis for fire severity mapping, en Proceedings of the 2nd International Confe-
rence on Forest Fire Research, Coimbra, pp. 667-677

[25] CAM (1994): Ley 6/1994, de 28 de junio, sobre el Parque Regional en torno a
los ejes de los cursos bajos de los ríos Manzanares y Jarama. B.O.C.M., vol.163,
pp.2-22.

[26] Campbell, J.B. (1996): Introduction to remote sensing, The Guilford Press, New
York.

[27] Carder, K. y Steward, R. (1985): A remote sensing reflectance model of a red-


tide dinoflagellate off west Forida, Limnology and Oceanography, vol.30, nº6,
pp.286-298.

[28] Carlson, R.E. (1977): A trophic state index for lakes. Limnol. Oceanogr., vol.22,
pp.361-369.

[29] Caselles, V., López, M.J. y Soria, J.M. (1987): Estudio del estado trófico del lago
de la Albufera (Valencia) a partir de imágenes Landsat-5 (TM), Comunicaciones
de la I Reunión Científica del Grupo de Trabajo de Teledetección, Inst. Inv. Geol.

[30] CEDEX (2001): Cartografía temática de ecosistemas acuáticos deníticos del Par-
que Regional del Sureste (Madrid) por teledetección aeroportada, Ministerio de
Fomento, Madrid.

[31] CEDEX (2006). Desarrollo de un Sistema Operacional para la Obtención directa


de mapas temáticos de pigmentos fotosintéticos utilizando el sensor MERIS del
satélite ENVISAT-1. Aplicación a los embalses españoles.

[32] CEDEX (2007): Área de Calidad de las Aguas – Unidad de Teledetección aplica-
da. http://hercules.cedex.es/ecosistemas/Actividades.pdf

263
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

[33] Chacón-Torres, A., Ross, L.G., Beveridge, M.C.M. y Watson, A.I. (1992): The
application of spot multiespectral imagery for the assessment of water quality
in Lake Patzcuaro, Mexico, International Journal of Remote Sensing, vol.13,nº4,
pp.587-604.

[34] Chao Rodríguez, Y., el Anjoumi, A., Domínguez, J.A., Rico, E., Rodríguez Pé-
rez, D. (2011): Evaluación temporal del humedal de Arreo a partir de imágenes
Landsat y datos de campo. Teledetección - Bosques y Cambio Climático. XIV
Congreso de la Asociación Española de Teledetección. Carmen Recondo Gonzá-
lez y Enrique Pendás Molina, Eds., páginas 309-312 (DL AS-3588-2011)

[35] Chen, Z., Hanson, J.D. y Curran, P.J. (1991): The form of the relationship between
suspended sediment concentraction and spectral reflectance: its implications for
the use of Daedalus 1268 data, International Jounal of Remote Senseing, vol.12
nº1, pp.215-222.

[36] Cheshire, H.M., Pelkey, P.D. y Vose, J.M. (1988): Multiple regression technique
in the analysis of Landast TM for water quality monitoring, American Society for
Photogrammetry and Remote Sensing, pp. 29-38.

[37] Chuvieco, E. (1996): Fundamentos de teledetección espacial, Rialp, Madrid.

[38] Danson, F.M., Heathwaite, A.L. y Thudgill, S.T. (1991): Multi-temporal monito-
ring of lake water quality, ESA SP-319.

[39] Dekker, A., (1993): Detection of optical water quality parameters for eutrophic
water by high resolution remote sensing. PhD Thesis. Vrije Universiteit Amster-
dam. The Netherlands.

[40] Dekker, A., Malthus,T. y Seyhand, E. (1989): Quantitative modelling of inland


water quality for high resolution MSS systems, Proceeding of IGARS’89:Remote
Sensing: An economic tool for the nineties, 10-14 july, Vancouver, Canada, pp.
2804-2807.

[41] Dekker, A., Malthus,T. y Seyhand, E. (1991): Quantitative modelling of inland


water quality for high resolution MSS systems, I.E.E.E: Trasactions on Geoscien-
ce and Remote Sensing, vol.29, pp.89-95.

[42] Dekker, A., Zamurovic-Nenad, Z., Hoogenboom, H. y Peters, S, (1996): Remote


sensing, ecological water quality modelling and in situ measurements: a casse
study in shallow lakes, Hydrological Sciences Journal vol.41, pp.531-547.

264
BIBLIOGRAFÍA

[43] Derlys, A. (1997): Empleo de la teledetección en la dinámica de la desertificación:


Cambios en la cobertura del suelo en la región centro-sur de la provincia de San
Luis- República Argentina. Dpto. de Geografía, Universidad de Alcalá de Henares

[44] Doerffer, R. y Schiller, H. (2008): Algorithm Theoretical Basis Docu-


ment (ATBD) MERIS Lake Water Algorithm for BEAM. GKSS Fors-
chungszentrum Geesthacht GmbH (http://www.brockmann-consult.de/beam-
wiki/download/attachments/1900548/ATBD_lake_water_RD20080610.pdf)

[45] Domínguez, J.A. (1998): Utilización de imágenes Landsat para el seguimiento de


la evolución de los humedales generados por la actividad extractiva de áridos en
la vega de Arganda-San Martín, Trabajo de Investigación, Universidad de Alcalá
de Henares, Alcalá de Henares.

[46] Domínguez, J.A. (2002): Estudio de la calidad del agua de lagunas de graveras
mediante teledetección. Tesis doctoral Universidad de Alcalá. Alcalá de Henares.

[47] Domínguez, J.A., Alonso, C. y Alonso, A. (2008): Remote sensing as a basic


toolbox for monitoring water quality parameters and as a system of surveillance
of cyanobacterial harmful algae blooms (SCyanoHABs). Geoscience and Remote
Sensing Symposium, 2008. IGARSS 2008. IEEE International. pp. IV-886-889

[48] Domínguez, J.A., Alonso, C. y Alonso, A. (2011a): Remote sensing as a tool for
monitoring water quality parameters for Mediterranean Lakes of European Union
water framework directive (WFD) and as a system of surveillance of cyanobacte-
rial harmful algae blooms (SCyanoHABs). Environ. Monit. Assess., publicación
online (DOI:10.1007/s10661-010-1831-7)

[49] Domínguez, J.A., Alonso, C. y Alonso, A. (2011b): Detección y seguimiento de


blooms de cianobacterias potencialmente tóxicas de los embalses andaluces me-
diante imágenes MERIS (2007-2010). 2º Congreso Ibérico de Cianobacterias.

[50] Domínguez Gómez, J. A., Chuvieco Salinero, E. and Sastre Merlín, A.


(2009): Monitoring transparency in inland water bodies using multispec-
tral images,International Journal of Remote Sensing, vol. 30, pp.1567-1586
(DOI:10.1080/01431160802513811)

[51] Domínguez, J.A. y Peña, R. (1999): Trophic state assessment in two gravel pits
(El Campillo & El Porcal) using airborne imagery, Limnética vol.16, pp 107-112.

[52] Domínguez, J.A., Rejas, J.G., De Miguel, E., Gómez, J.A., Ruiz-Verdú, A.,
Fernández-Renau, A. y Peña, R. (2002): Aplicación de imágenes aeroportadas

265
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

al estudio de humedales del sureste de Madrid, 3ª Asamblea Hispano-Portuguesa


de Geodesia y Geofísica, Valencia.

[53] Domínguez, J.A., Sastre, A. y Peña, R. (1997): Detección de cambios en los hu-
medales del río Jarama entre 1988 y 1992 y evaluación del estado trófico de las
lagunas del Campillo, El Porcal y las Madres en 1992 mediante imágenes Landsat
TM, Actas del VII Congreso Nacional de Teledetección: Teledetección Aplicada
a la Gestión de Recursos Naturales y Medio Litoral Marino, pp.339-351.

[54] Domínguez, J.A., Sastre, A. y Peña, R. (1998): Evaluación del estado trófico de las
lagunas de El Campillo y El Porcal (1997) mediante imágenes ATM, IX Congreso
Español de Limnología & I Congreso Ibérico de Limnología, Evora.

[55] Domínguez, J.A., Sastre, A. y Peña, R. (2000): Evaluación de áreas de graveras


mediante tratamiento multitemporal de imágenes aéreas y espaciales, IX Congre-
so del Grupo de Métodos Cuantitativos, Sistemas de Información Geográficos y
Teledetección, Alcalá de Henares.

[56] Doña, C., Sánchez, J.M., Ferri, A., Caselles, V. y Camacho, A. (2011): Control
del estado de eutrofización de masas de agua continentales empleando imáge-
nes Deimos-1. Teledetección - Bosques y Cambio Climático. XIV Congreso de
la Asociación Española de Teledetección. Carmen Recondo González y Enrique
Pendás Molina, Eds., páginas 325-329 (DL AS-3588-2011)

[57] Duntley, S.Q., Austin, R.W., Wilson, W.H., Edgerton C.F. y Moran, M.S. (1974):
Ocean color analysis, Scripps Inst. Oceanogr., pp. 74-100.

[58] Eckhardt, D.W., Verdin, J.P. y Lyford, G.R. (1990): Automated update of an irri-
gated lands GIS using SPPT HRV imagery. Photogrammetric Engineering an Re-
mote Sensing.vol 56, nº11, pp.1515-1522.

[59] Engman, E.T. y Gurney, R.J. (1991): Remote Sensing in Hidrology, Chapman and
Hall, London.

[60] Fargion, G.S. y Mueller, J.L (2000): Ocean Optics Protocols for Satellite Ocean
Color Sensor Validation, Revision 2 NASA, Goddard Space Flight Center Green-
belt, Maryland.

[61] Francisko, P.N. y McCormic, N.I. (1994): Chlorophyll concentration effects on


asymptotic optical attenuattion, Limnology and Oceanography, vol.39, pp.1195-
1205.

266
BIBLIOGRAFÍA

[62] Franson, M.A. (ed) (1989): Métodos Normalizados para el análisis de aguas po-
tables y residuales. Ediciones Díaz Santos. Madrid.

[63] Fraser, R.N. (1998): Multispectral remote sensing of turbidity among Nebraska
Sand Hills lakes, International Journal of Remote Sensing,vol.19, nº15, pp.3011-
3016.

[64] Frette, Ø. Svein, R., Stamnes, J. y Stamnes, K. (2001): Optical remote sensing of
waters with vertical structure, Applied Optics, vo.40, nº9, pp. 1478-1487.

[65] Gao, J. y O.’Leary S.M. (1997): The Role of Spatial Resolution in Quantifying SS
from Airborne Remotely Sensed Data, Photogrammetric Engineering & Remote
Sensing, vol. 63, nº 3, pp.267-271.

[66] George, D.G. (1997): The airborne remote sensing of phytoplankton chlorophyll
in the lakes and tarns of the English Lake District, International Journal of Remote
Sensing,vol.18, nº9, pp.1961-1975.

[67] Gilabert, M.A., Conese, C. y Maselli, F. (1994): An atmospheric correction met-


hod for the automatic retrieval of surface reflectances from TM images. Int. J.
Remote Sensing, Vol. 15, No. 10, 2065-2086.

[68] Gitelson, A. (1992): The peak near 700 nm on radiance spectral of algae and
water: relationships of its magnitude and position with clorophyll concentration,
International Journal of Remote Sensing,vol.13, nº17, pp.3367-3373.

[69] Gitelson, A., Garbuzov, G., Szilagyi, F., Mittenzwey, K-H., Karnieli, A. y Kaise,
A. (1993): Quantitative remote sensing methods for real-time monitoring of in-
land water quality, International Journal of Remote Sensing, vol.14, nº7, pp.1247-
1268.

[70] Gitelson, A. A. y Kondratyev, K. Y. (1991): Optical models of mesotrophic and


eutrophic water bodies. International Journal of Remote Sensing, Vol. 12, pp.375-
385.

[71] Gonca, H. (1995): Landsat TM monitoring of turbid water quality in the Strait of
Istanbul (Bosphorus) and the Golden Horn, ITC Journal,nº1, pp. 38-42

[72] Gordon, H.R., Brown, O.B. y Jacobs, M.M. (1975): Computed relationships be
tween the inherent and apparent optical properties of a flat homogeneous Ocean,
Applied Optics, vo.14,nº2,pp. 417-427

267
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

[73] Gordon, H.R. (1979): Diffuse reflectance of the ocean: the theory of its augmen-
tation by chlorophyll-a fluorescence at 685, Applied Optics, vo.18, nº3, pp. 1161-
1166.

[74] Gordon, H.R. y Morel, A. (1983): Remote Assessment of Ocean Color for Inter-
pretation of Satellite Visible Imagery, a Review, Lecture and Notes on Coastal and
Estuarine Studies. vol.4, pp.114-121.

[75] Gordon, H.R., Brown, O., Evans, R., Brown, J., Smith K.,Baker, K. Y Clark, D
(1988): A semianalytic radiance model of ocean color, Journal of Geophysical
Research 93, pp.10.909-10.924.

[76] Gordon, H.R. (1989): Can the Lambert-Beer law be applicated to the diffuse at
tenuation coefficiente of ocean water?, Limnology and Oceanography, vol.34, nº8,
pp.1389-1415.

[77] Gower, J. F. R., Doerffer, R., Borstad, G. A. (1999): Interpretation of the 685 nm
peak in water-leaving radiance spectra in terms of fuorescence, absorption and
scattering, and its observation by MERIS. Int. J. Remote Sensing, vol. 20, no. 9,
pp. 1771-1786

[78] Green, S. A. y Blough, N. V. (1994): Optical absorption and fluorescence proper-


ties of chromophoric dissolved organic matter in natural waters, Limnology and
Oceanography, vol.39, nº8, pp.1903-1916.

[79] Guanter, L. (2006): New algorithms for atmospheric correction and retrieval of
biophysical parameters in earth observation. Application to ENVISAT/MERIS
Data. Universidad de Valencia.

[80] Gutiérrez, M. J., Fernández-Renau, A. y Gómez, J. A. (1994): Teledetección en


el INTA y el uso de sensores aeroportados, Jornadas Técnicas. Experiencias con
sensores multiespectrales aerotransportados, pp. 2- 10.

[81] Hall, F.G., Strebel, D.E., Nickson, J.E., y Goetz, S.J. (1991): Radiometric rec-
tification: toward a common radiometric response among multidate, multisesnor
images. Remote Sensing of Environment, vol.35, pp.11-27.

[82] Hamilton, M. K., Davis, C.O., Piloz, S. H., Rhea, W. J. y Carder K. L. (1991):
Examination of clorophyll distribution in lake Tahoe, using the airborne visi-
ble/infrared imaging spectrometer (AVIRIS), Proceedings of the Third Airborne
Visible/Infrared Imaging Spectrometer (AVIRIS) Workshop, pp.289-299.

268
BIBLIOGRAFÍA

[83] Han, L. (1997): Spectral reflectance with varying suspended sediment concen-
tration in clear and algae-laden waters, Photogrammetric Engineering & Remote
Sensing, vol. 63, nº 6, pp.701-705.

[84] Han, L. y Rundquist, D.C. (1994): The responses of both surface reflectance and
the underwater ligth field to varius levels of suspended sediments: Preliminary
results, Photogrammetric Engineering & Remote Sensing, vol. 60, nº 12, pp.1463-
1471.

[85] Han, L. y Rundquist, D.C. (1998): The impact of a wind-roughened water surface
on remote measurements of turbidity, International Journal of Remote Sensing,
vol.19, nº1, pp.195-201.

[86] Han, L., Rundquist, D.C., Liu, L.L,Fraser, R.N. y Schalles, J.F. (1994): The spec-
tral responses of algal chorophyll in water with varying levels of suspended sedi-
ment, , International Jounal of Remote Sensing, vol.15, nº18, pp.3707-3718.

[87] Hand, D.J. (1981): Discrimination and Classification, John Wiley and Sons, New
York.

[88] Hatchell, D. (1999): Reflectance, ASD Technical Guide 3rd Ed. Section 18-1,
Analytical Spectral Device, Boulder.

[89] Hick, P., Jernakoff, P y Hosja, W. (1998): Algal bloom research using airborne
remotely sensed data: Comparison of high spectral resolution and broad band-
width with field measurements in the Swan Rivers in Western Australia Geocarto,
vol.13, pp. 19-28.

[90] Hlavka, C. y Spanner, M. A. (1995): Unmixing AVHRR imagery to assess clear-


cuts and forest regrowth in Oregon, IEEE Trasactions on Geoscience and Remote
Sensing, vol.33, pp. 788-795.

[91] Hoge, F. y Swift, R. (1986): Chlorophyll pigment concentration using spectral


curvature algorithms: an evaluation of present and proposed satellite ocean color
sensor bands, Applied Optics, vol.25, nº20, pp. 3677-3682.

[92] Hoge, F. y Swift, R. (1987): Ocean colour spectral variability studies using solar
induced chlorophyll fluorescence, Applied Optics, vol.26,nº3,pp. 18-21.

[93] Holben, B.N. y Shimabukuro, Y.E. (1993): Linear mixing model applied to coarse
spatial resolution data from multispectral satellite sensors, International Journal
Remote Sensing, vol.14, pp. 2231-2240.

269
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

[94] Hord, R. (1982): Digital Image Processing of Remotely Sensed Data, Academic
Press, New York.

[95] Jeffrey, S.W., Mantoura, R.F.C. and Wright, S.W. (Eds.), (1997): Phytoplankton
pigments in oceanography; SCOR/UNESCO

[96] Jensen, J.R., Rutchey, K., Koch, M.S. y Narumalani, S. (1995): Inland wetland
change detection in the everglades water conservation area 2 using time series of
normalized remotely sensed data. Photogrammetric Engineering & Remote Sen-
sing, vol. 61, pp. 199-209.

[97] Jerlov, N. G. (1968): Optical oceanography, Elsevier, Elsevier.

[98] Kerdiles, H. y Grondona, M.O. (1995): NOAA-AVHRR NDVI decomposition


and subpixel classification using linear mixing in the Argentinean Pampa, Inter-
national Journal Remote Sensing, vol.95, pp. 1303-1325.

[99] Kirk, J.T.O. (1980): Spectral absorption properties of natural waters: contribution
of the soluble and particulate fractions to light absorption in some inland waters
of southeastern Australia. Aust. J. Mar. Freshwater Res., 31, 287-296.

[100] Kirk, J.T.O. (1984): Dependence of relationship between inherent and appa-
rent optical properties of water on solar altitude, Limnology and Oceanography.
vol.29, nº2, pp. 350-356

[101] Kirk, J.T.O. (1988): Optical water quality textendash what does it mean and how
should we measure it? J. Water Pollut. Control Fed. 60, 194-197.

[102] Kirk, J.T.O. (1989): The upwelling light stream in natural waters. Limnol. Ocea-
nogr., 34 (8) 1410-1425.

[103] Kirk, J.T.O. (1994): Light & Photosynthesis in Aquatic Ecosystems, Cambridge
University Press, New York.

[104] Kishino, M., Sugihara, S. y Okami, M. (1984): Theoretical analysis of the in-situ
fluorescence of chlorophyll-a on the underwater spectral irradiance, Bulletin de la
Société Franco-Japonaise d’Océanography, vol.24, pp.130-138.

[105] Kondratyev, K. y Filatov, N. (1999): Limnology and Remote Sensing. A Contem-


porary Approach, Springer, Berlin.

[106] Kondratyev, K. y Pozdnyakov, D.V. (1995): Remote sensing of water quality, 46th
International Astronautical Congress, pp.1-9.

270
BIBLIOGRAFÍA

[107] Kustser, T., Arst, H, Miller, T. Kärmann, L. y Milius, A. (1995): Telespectrome-


trical estimation of water transparency, chlrorophyll-a and total phosphorus con-
centration of Lake Peipsi, International Journal of Remote Sensing, vol.16, nº16,
pp.3069-3086.

[108] Latasa, M., Bidigare, R.R., (1998): A comparison of phytoplankton populations


of the Arabian sea during the spring Intermonsoon and the Southwest Monsoon
of the 1995 as described by HPLC-analyzed pigments. Deep-Sea Research II, 45,
pp. 2133-2170.

[109] Lathrop, R.G., Lillesand, T.M. y Yandell, B.S. (1991): Testing the utility of simple
multi-date Thematic Mapper calibration algorithms for monitoring turbid inland
waters, International Journal of Remote Sensing, vol.12, nº10, pp.2045-2064.

[110] Lauer, D. Moraina, S. y Salomonson, V. (1997): The Landsat Program: Its Ori-
gins, Evolution and Impacts, Photogrammetric Engineering & Remote Sensing,
vol. 63, nº 7, pp.831-838.

[111] Lindell, T., Pierson, D., Premazzi, G., Zilioli, E. (1999): Manual for monitoring
Europe lakes using remote sensing techniques, European Communites, Luxem-
bourg

[112] Lodhi, M., Echavarria, F. R. y Keithleu, C. (1998): Using remote sensing data to
monitoring land cover changes near Afghan refugee camps in Northern Pakistan,
Geocarto Intenational, vol. 13, pp. 33-39.

[113] López, M.J. y Casselles, V. (1990): A multi-temporal study of chlorophyll-a con-


centration in the Albufera lagoon of Valencia, Spain, using Thematic Mapper data,
International Journal of Remote Sensing, vol.11, nº 2, pp. 301-311.

[114] Lozano-Arango, J.G., Domínguez, J.A. y Viñals, M.J. (2011): Evaluación de la


utilización de imágenes MERIS para el seguimiento de humedales españoles me-
diterráneos. Teledetección - Bosques y Cambio Climático. XIV Congreso de la
Asociación Española de Teledetección. Carmen Recondo González y Enrique
Pendás Molina, Eds., páginas 365-368 (DL AS-3588-2011)

[115] Lundbrook, G., Scott, A., Kokhanenko, G., Penner, I. y Shammanaev, V. (1998):
Average and fluctuation characteristics of the transparency of lake Baikal water
from airborne LiDAR Data, ILRC 19th International Laser Radar Conference,
NASA, pp.181-183.

271
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

[116] Maltus, T y Dekker, A.V. (1995): First derivative indices for the remote sensing
of inland water quality using high spectral resolution reflectance, Environment
International, vol.21, nº 2, pp. 221-232.

[117] Margalef, R. (1974): Ecología , Ed.Omega S.A, Barcelona.

[118] Margalef, R. (1983): Limnología, Ed.Omega S.A, Barcelona.

[119] Maritorena, S., Morel, A. y Gentili, B. (1994): Diffuse reflectance of oceanic sha-
llow waters: Influence of water depth and bottom albedo, Limnol. Oceanogr, vol.
39, nº 7, pp. 1689-1703.

[120] Martínez, S. (1996): Estudio de la relación de agua subterráneas - lagunas de


graveras - aguas superficiales y viabilidad de la restauración del medio físico en
el sector central del Parque Regional del Sureste, Dpto. de Geología, Universidad
de Alcalá de Henares.

[121] Mayo, M., Gitelson, A., Yazobi, Y.Z. y Ben-Avraham, Z. (1995): Chorophyll dis-
tribution in Lake Kinneret determined from Landsat Thematic Mapper data, In-
ternational Journal Remote Sensing, vol.16, nº 1, pp. 175-182.

[122] McCalin, E., Yen Eueng-nan (1994): CZCS bio-optical algorithm comparison.
Case studies for the SeaWIFS calibration and validation. NASA Technical Memo
104566-13 Greenbelt, Maryland: NASA.

[123] McFeeters, S.K. (1996): The use of the Normalized Difference Water Index (ND-
WI) in the delineation of open water features, International Journal of Remote
Sensing, vol.17, nº7, pp.1425-1432.

[124] McGovern, E.A., Holden,N.M., Ward,S.M. y Collins, J.F. (2002): The radiome-
tric normalization of multitemporal Thematic Mapper imagery of the midlands of
Ireland-a case study. Int.J. Remote Sesing , vol 23, nº4, pp.751-766.

[125] Meliá, J. (1991): Fundamentos físicos de la teledetección: Leyes y principios bá-


sicos, La teledetección en el seguimiento de los fenómenos naturales. Recursos
renovables: Agricultura, pp.51-84.

[126] Meniondo (2009): Limnologia by J G Tundisi and T Matsumura Tundisi. Braz. J.


Biol., vol. 69, no. 1, pg. 229. http://www.scielo.br/pdf/bjb/v69n1/33.pdf

[127] Milton, E.J., Schaepman, M.E., Anderson, K., Kneubühlerd, M. and Foxe, N.
(2007): Progress in field spectroscopy. Remote Sensing of Environment, vol. 113,
pp. S92-S109

272
BIBLIOGRAFÍA

[128] Mittenzwey, K., Gitelson, A. y Kondratiev, K. (1992): Determination of chro-


lophyll a of inland waters on the basic of spectral reflectance, Limnology and
Oceanography, vol.3, nº1, pp.147-192

[129] Mobley, C.D. (1994):Light and Water: Radiative Transfer in Natural Waters, Aca-
demic Press, London.

[130] Mobley, C.D. and Stramski, D. (1997): Effects of microbial particles on ocea-
nic optics: Methodology for radiative transfer modeling and example simulations,
Limnol. Oceanogr., 42(3), pp. 550-560

[131] Mobley, C.D. (1999): Estimation of remote sensing reflectance from above-suface
measurements, Applied Optics, vo.38, nº2 , pp. 7442-7455

[132] Money, A.D. (1975): “Phytoplankton Studies in Biology”, nº 52, 116pp

[133] MOPT (1993): Guía para la elaboración de estudios del medio físico. Monografías
de la Secretaría del Estado para las Políticas del Agua y del Medio Ambiente.
MOPT, Madrid.

[134] Morel, A. (1988): Optical modelling of the upper ocean in relation to its biogenous
matter content (case I waters) J. Geophys Res., 93.

[135] Morel, A. y Ahn, Y.H. (1991): Optics of heterotrophic nanoflagellates and ciliates:
a tentative assesment of their scattering role in oceanic water compared to those
of bacteria and algal cells. J. Mar. Res., 49, pp.177-202.

[136] Morel, A. y Gentili, B. (1991): Diffuse reflectance of oceanic waters: its depen-
dance on sun angle as influenced by the molecular scattering contribution. Appl.
Opt., vol. 30, pp.4427-4438.

[137] Morel, A. y Prieur, L. (1977): Analysis of variations in ocean color, Limnology


and Oceanography, vol.22, nº4, pp.709-722.

[138] Morris, D., Zagarese, H., Williamson, C., Balseiro, E., Modenutti, B., Moeller,
R., O’Mongain, E., Collins, A., Green, S., O’Riain, G., y Caffrey, J. (1998):
Remote sensing of lakes improved clorophyll calibration and data processing,
http://www.ucd.ie/~spectral/Final_rpt.htm

[139] NASA (2000): An overview of SeaWIFS and SeaStar Spacecraft,


http://seawifs.gsfc.nasa.gov/SEAWIFS/SEASTARS/SPACECRAFT.html

273
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

[140] NASA (2001): Calibración radiométrica del sensor ETM+,


http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook_htmls/Chapter8/chapter8.html

[141] Naumenko, M.A., Beletsky, D.V. y Rumyantsev, V.B. (1994): Investigations of the
hydrobiological situations in Lake Onega using joint spaceborne radar, airborne
and in situ measurements, International Journal of Remote Sensing, vol.15, nº 10,
pp. 2039-2049.

[142] Nezlin, N., Kostianoy, A. y Gergoire, M (1999): Patterns of Seasonal and inter-
annual changes of surface chlorophyll concentration in the Black Sea revealed
from the remote sensed data, Remote Sensing Environment, nº 69.

[143] Nobel, P.S. (1983): Biophysical plant physiology and ecology, W.H. Freeman and
Company, San Francisco.

[144] Ogata, K. (1980): Ingeniería de control moderna. PRENTICE-HALL HISPA-


NOAMERICANA, S.A. Mexico.

[145] O’Mongain, E., Collons, A., Green, S., O’Riain, G. y Caffrey, J. (1997): Re-
mote sensing of lakes-improved chlorophyll calibration and data processing,
http://www.ucd.ie/~spectral/Fina_rpt.htm.

[146] O’Mongain, E., Collons, A., Green, S., O’Riain, G. y Caffrey, J. (1998):
The effect of chlorophyll concentration on airborne hyperspectral reflectance,
http//www.ucd.ie/~app-phys/stuart/MODEL.HTM.

[147] O’Reilly, J.E., Maritorena, S., Siegel, D., O’Brien, M.C., Toole, D., Mitchell,
B.G., Kahru, M., Chavez, F.P., Strutton, P., Cota, G., Hooker, S.B., McClain, C.R.,
Carder, K.L., Muller-Karger, F., Harding, L., Magnuson, A., Phinney, D., Moore,
G.F., Aiken, J., Arrigo, K.R., Letelier, R., Culver, M. (2000): Ocean color chlo-
rophyll a algorithms for SeaWiFS, OC2, and OC4: Version 4. In: O’Reilly, J.E. et
al (ed) SeaWiFS Postlaunch Calibration and Validation Analyses, Part 3, NASA,
Goddard Space Flight Center, Greenbelt, Maryland.

[148] Olrik, K. (1994): Phytoplankton-Ecology. Determining Factors for the Distribi-


tions of Phytoplankton of Freshwater and the Sea. Ministry of the Environment,
Denmark.

[149] Ortiz, J.L. y Peña, R. (1986): Cartografía temática de embalses: Aplicaciones


limnológicas de las imágenes Landsat, Comunicaciones de la I Reunión Científica
del Grupo de Trabajo de Teledetección, Inst. Inv. Geol. Jaume Almera, Barcelona,
10-11 dic 1986, pp. 403-423.

274
BIBLIOGRAFÍA

[150] Ortiz, J.L. y Peña, R. (1987): Remote sensing of limnological parameters in re-
servoirs, Workshop on «Landsat Thematic Mapper Applications», Frascati, Italy,
Dic.ESA SP-1102

[151] Ortiz, J.L. y Peña, R. (1989): “Remote sensing of limnological parameters in re-
servoirs”, European Coordinated Effort for Monitoring the Earth´s Environmen-
tÊ: A Pilot Project Campaing on Landsat Thematic Mapper Applications (1985 -
1987), pp. 49 - 56, ESA, Frascati (Italy).

[152] Pascual, M.L. y Rodríguez-Alarcón, A. (1998): Inventario de explotaciones de ári-


dos previo al plan ambiental del denominado Parque Regional del Sureste, CAM,
Madrid.

[153] Pattiaratch, C., Lavery, P., Wyllie, A. y Hick, P. (1992): Multi-date algorithms for
predicting surface water quality parameters in estuarine and waters using Landsat
TM data, ESA SP-341, pp. 709-713

[154] Peña, R. (1991): Proceso de imágenes para teledetección por satélite en embalses
españoles, Jornadas sobre eutrofización de embalses e Indicadores biológicos de
la calidad de las aguas de los ríos, pp.107-135, CEDEX, Madrid.

[155] Peña, R., Fernández-Renau, A., Miguel, E. de, Gómez, J. A., Serrano, M.L. y
Ruiz-Verdú, A. (1997): Utilización de sensores Aerotransportados en Aplicacio-
nes de Calidad de Agua: Evaluación de Vertidos Térmicos en el Río Tajo y Difu-
sión de Sedimentos en los Ríos Esera y Cinca, Actas del VII Congreso Nacional
de Teledetección: Teledetección Aplicada a la Gestión de Recursos Naturales y
Medio Litoral Marino, pp.335-338.

[156] Peña, R. y Serrano, M.L. (1992): Evaluación del estado trófico de los embalses
mediante imágenes digitales, Ingeniería Civil, nº 86, pp. 37- 44, CEDEX, Madrid.

[157] Peña, R. y Serrano, M.L. (1994): Seguimiento del estado trófico de los embalses
del alto Tajo por teledetección, Limnética, vol. 10, nº 1, pp. 69-81, Asociación
Española de Limnología, Madrid.

[158] Peña, R., Serrano, M.L. y Ruiz-Verdú, A. (1998): Estudio de algunos impactos
sobre ecosistemas fluviales mediante teledetección aeroportada. Evaluación de
vertidos térmicos en el río Tajo y difusión de sedimentos en los ríos Esera y Cinca,
I Congreso Ibérico de Limnología y IX Congreso Español de Limnología, Libro
de Resúmenes del Congreso, pp. 20

275
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

[159] Peña, R., Domínguez, J.A., Ruiz-Verdú, A. (2006): Use of CHRIS for Monito-
ring Water Quallity in Selected Reservoirs. 2005/06 Activities. 4th ESA CHRIS /
Proba Workshop (19 - 21 September 2006, ESRIN. Frascati, Italy)

[160] Pérez-Marreno, J. Cianca, A. Santana, R., Pérez-Martell, E., Rueda, M.J y Llinas,
O. (1999): Asignación de profundidad significativa a las observaciones remotas de
la temperatura superficial del mar, Teledetección. Avances y aplicaciones, pp.293-
297.

[161] Phillips, D.M. y Kirk, J.T.O. (1984): Study of the spectral variation of absorption
and scattering in some Australian coastal waters. Aust. J. Mar. Freshwater Res.,
nº35, pp.635-644.

[162] Philipson, R. y Hafker, W.(1981): Manual versus Digital Landsat Analysis for
Delineating River Floodings. Photogrammetric Engineering & Remote Sensing,
vol. 47, nº 4, pp.1351-1356.

[163] Pozdnyakov, D.Y., Kondratyev, R., Bukata, P. y Jerome, H. (1998): Numeral mo-
delling of natural water colour: implications for remote sensing and limnological
studies, International Journal of Remote Sensing, vol.19, nº10, pp.1901-1913.

[164] Premazzi, G. y Chiaudani, G. (1992): Ecological quality of surface waters: Qua-


lity assessment schemes for European Community lakes, ECSC-EEC-EAEC,
Brussels.

[165] Prieur, L. y Sathyendranath, S. (1981): An optical classification of coastal and


oceanic waters based on the specific spectral absorption curves of phytoplank-
ton pigments, dissolved organic matter, and other particulate materials. Limnol.
Oceanogr., 26, pp.671-689.

[166] Price, J.C. (1983): Estimating surface temperatures from satellite thermal infrared
data. A simple formulation for the atmospheric effect, Remote Sensing of Envi-
ronment, vol.13, pp.353-361.

[167] Quarmby, N.A., Townshend, J.R.G., Settle, J.J., White, K.H., Milnes, M., Hindle,
T.L. y Silleos, N. (1992): Linear mixture modelling applied to AVHRR data for
crop area estimation, International Journal Remote Sensing, vol.11, pp.415-425.

[168] Queimalinos, C. (1995): The attenuation of solar UV radiation in lakes and the
role of dissolved organic carbon, Limnology and Oceanography, vol.40, nº8,
pp.1381-1391.

276
BIBLIOGRAFÍA

[169] Quesada, A. (2002): Afloramientos de cianobacterias como consecuencia de la eu-


trofización, Curso sobre limnología aplicada: embalses, lagunas y ríos, CEDEX,
Madrid.
[170] Quibell, G (1991): The effect of suspended sediment on reflectance from fresh-
water algae, International Jounal of Remote Sensing, vol.33, nº15, pp.137-182.
[171] Quibell, G (1992): Estimation of chorophyll concentrations using upwelling ra-
diance from different freshwater algal genera, International Journal of Remote
Sensing, vol.13, nº14, pp.2727-2734.
[172] Rahman, H., Dedieu, G. (1994): SMAC: a simplified method for the atmospheric
correction of satellite measurements in the solar spectrum. Int. J. Remote Sensing,
vol.15, no. 1, pp. 123-143
[173] Ramsey III, E.W., Jensen, J.R., Mackey, H. y Galdden, J. (1992): Remote sensing
of water quality in active to inactive cooling water reservoirs, International Journal
of Remote Sensing, vol.13, nº18, pp.3465-3488.
[174] Rast, W., Smith, V.H. y Thornton, J.A. (1992): Características de la Eutrofización,
El Control de la Eutrofización en Lagos y Pantanos, Editorial Pirámide, Madrid,
pp. 65-94.
[175] Richardson, L. Buissson, D., Liu, C. y Amrosia, V. (2000): The Detection of algal
photosynthetic accessory pigments using airborne visible-infrared imaging spec-
trometer (AVIRIS) spectral data, MTS Journal, vol 28., pp.10-21.
[176] Ritchie, J., Cooper,C y Schiebe, F. (1990): The relation of MSS and TM digital
data with suspended sediment, clhorophyll, and temperature in Moon lake, Mis-
sissippi, Remote Sensing Environment, vol.33, pp.137-148.
[177] Robinove, C. (1981): The logic of multispectral classification and mapping the
land, Remote Sensing Environment, vol. 11, pp. 231- 244.
[178] Robinson, I., Callison, R., Blackburn, D., Boxall, S., García, C., Monaghan, J.,
Nunes, R., Sathyendranath, S. y Tross, D. (1992): Afloramiento provocados por
el viento en la zona exterior de la costa sur de Australia, Aplicaciones de Datos
de Imágenes Marinas. MARINF, pp.63-77.
[179] Robinson, I., Callison, R., Blackburn, D., Boxall, S. García, C.Monaghan, J., Nu-
nes, R., Sathyendranath, S. y Tross, D. (1992): Temperatura superficial en el sur
del Mar del Coral, Aplicaciones de Datos de Imágenes Marinas. MARINF, pp.77-
84.

277
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

[180] Roesler, C. y Perry, M. (1995): In situ phytoplankton absorption, fluorescence


emission and particulate backscattering spectra determined from reflectance, Jour-
nal of Geophysical Research, vol. 100 pp.13279-13294.

[181] Roblas, N. y García-Avilés, J. (1997): Valoración ambiental y caracterización de


los ecosistemas acuáticos leníticos del Parque Regional en torno a los ejes de
los cursos bajos de los ríos Manzanares y Jarama, Fundación Fernando González
Bernáldez, Soto del Real (Madrid).

[182] Roblas, N., García-Avilés, J. y Rozas, C. (2002): Evolución de la vegetación he-


lófita en lagunas de gravera del sureste de Madrid. XI Congreso de la Asociación
Española de Limnología y II Congreso Ibérico de Limnología , pp.311.

[183] Rodier, J. (1984): L’analyse de l’eau, Dunod, París.

[184] Rodríguez Fontal, A. (2009): Teledetección como Herramienta en el Ciclo In-


tegral del Agua. 1ª Jornadas de Ingeniería del Agua, CEH-CEDEX, octubre de
2009.

[185] Ruiz-Verdú, A., De Miguel, E., Robles-González, C. y Fernández-Renau, A.


(2009): Cinclus: un instrumento para la teledetección de las aguas continentales.
Libro de actas del XIII Congreso de la Asociación Española de Teledetección:
agua y desarrollo sostenible, pp. 109-112.

[186] Ruiz-Verdú, A., Serrano, M.L., Peña, R. y Rodríguez-Chaparro, J. (1999) Clasifi-


cación multitemporal de imágenes Landasat-TM para la estimación de demandas
hídricas en la zona regable del canal de Aragón y Cataluña, VII Congreso Nacio-
nal de Teledetección. Teledetección: Avances y aplicaciones , pp.107-110.

[187] Ruiz-Verdú, A., Domínguez, J.A. y Peña, R. (2001): Teledetección aero-portada


hiperespectral del embalse de Ribarroja IX Congreso Nacional de Teledetección
Teledetección. Medio ambiente y cambio global. Lleida, pp. 318-321.

[188] Ruiz-Verdú, A. Domínguez, J.A. y Peña, R. (2005) “Use of CHRIS for Moni-
toring Water Quality in Select Reservoirs. 3rd ESA CHRIS/PROBA Workshop.
Frascati. http://earth.esa.int/workshops/chris_proba_05/Session_4/04A.Ruiz-
Verdu_Session4.pdf

[189] Ruiz-Verdú, A., Simis, S.G.H., de Hoyos, C., Gons, H.J., Peña-Martínez, R.
(2008): An evaluation of algorithms for the remote sensing of cyanobacterial bio-
mass, Remote Sensing of Environment, vol. 112, pp. 3996-4008.

278
BIBLIOGRAFÍA

[190] Sader, S. A. y Winne, J.C. (1992): RGB textendash NDVI colour composite for
visualizing forest change dynamics, International Journal of Remote Sensing,
vol.13, pp.3055-3067.

[191] Sánchez, A. (1995): Libro Blanco de la Minería de la Comunidad de Madrid,


Instituto Tecnológico Geominero deEspaña, Madrid.

[192] Sarangi, R.K., Chauhan, P., Mohan, M., Nayak, S.R. y Navalgund, R.R. (2001):
Phytoplankton distribution in the Arabian Sea using IRS-P4 OCM satellite data, ,
International Journal of Remote Sensing, vol.22, nº15, pp.2863-2866.

[193] Sartory, D.P. (1975): Spectrofhotometric analysis of a chlorophyll a in freshwater


phytoplankton, Department of Environment Affairs, Republic of South Africa.

[194] Sastre, A. y De Vega, M.T., (1993): Estudio geohidrológico de la finca El Piul


(Rivas-Vaciamadrid) Madrid, Geogaceta, nº 13, pp.119-121.

[195] Sastre, A., De Vega, M.T. y Martínez, S. (1994): Impacto geohidroquímico de


la explotación de áridos en la finca “El Piul”, Actas del Congreso de Análisis y
Evolución de la Contaminación de Aguas Subterráneas, T.II, pp. 345-360

[196] Sathyendranath, S., y Platt, T. (1988): The spectral irradiance field at the surface
and in the interior of the ocean: A model for applications in oceanography and
remote sensing. J. Geophys. Res., 93, 9270-9280.

[197] Schmitt, U., Buchroithner, M.F., Strobl, D., Keil, M., Forstner, M., Ott, J.A. y
Schiller, Ch. (1993): Demonstration of Water Quality Monitoring and Forest Da-
mage Asessment. Institute for Digital Image Processing, Graz.

[198] Schultz,G.A. y Engman, E.T. (2000): Remote Sensing in Hidrology and water
management, Springer, London.

[199] Segelstein, D., (1981): “The Complex Refractive Index of Water”, M.S. Thesis,
University of Missouri–Kansas City

[200] Serra, P., Pons, X. y Sauri, D. (2001): Protocolo para la detección de cambios a
través de diferentes sensores, Actas del IX Congreso Nacional de Teledetección:
Teledetección-Medio Ambiente y Cambio Global, pp.97-100.

[201] Shimabukuro, Y.E. y Smith, J.A. (1991): The least square mixing models to gene-
rate fraction images derived from remote sensing multispectral data, IEEE Tran-
sactions on Geoscience and Remote Sensing, vol.29, pp. 16-20.

279
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

[202] Shimabukuro, Y.E., Holben, B.N. y Tucker, C.J . (1994): Fraction images derived
from NOAA-AVHRR data for studying the deforestation in the Brazilian Ama-
zon, International Journal Remote Sensing, vol.15, pp.517-520.

[203] Shoals (1998); Shoals. Operating Principles.


http://shoals.sam.usace.army.mil/op_princ.htm

[204] Singh, A. (1989): Digital change detection techiques using remotely-sensed data.
, International Journal of Remote Senseing, vol.10,pp.989-1003.

[205] Sobrino, J. A., Caselles, V. y Coll, C. (1991): Fundamentos físicos de la tele-


detección: Leyes y principios básicos, La teledetección en el seguimiento de los
fenómenos naturales. Recursos renovables: Agricultura Recursos, pp.95-140.

[206] Sordo, I., Triñanes, J. A., Tobar, A. y Arias, J. (1999): Estructuras oceánicas en
la costa oeste de la Penínula Ibérica a finales de la estación del afloramiento,
Teledetección. Avances y aplicaciones, pp. 297-301

[207] Spiegel, M. (1974): Teoría y problemas de estadística. Serie Schaum, Mc Graw


Hill, México D.F.

[208] Stramski, D. y Kiefer, D.A.(1991): Light scattering by microorganisms in the


open ocean, Prog.Oceanogr., vol.28, pp.343-383 Strickland, J.D. y Parsons, T.R.
(1972): A practical handbook of seawater analysis, Bulletin 167, Fisheries Re-
search Board of Canada, Ottawa.

[209] Stumpf, R. y Tyler, M. (1988): Satellite detecion of bloom and pigment determi-
nation in stuaries, Remote Sensing of the Environment, vol. 24, pp. 385 - 404.

[210] Tassan, S. y Ferrari, M. (1995): An alternative approach to absoption measure-


ments of aquatic particles retained on filters. Limnology and Oceanography, vol
40, nº. 8, pp.1358-1368.

[211] Tobar, A. Iglesias, A. Álvarez, F. J. y Hernández, C. (1997): Estudio preliminar


del afloramiento en las Costas de Namibia, Teledetección aplicada a la gestión de
los recursos naturales y medio litoral marino, pp.151-153

[212] Tolk, B.L., Han, L. y Rundquist, D.C. (2000): The impact of bottom brightness
on spectral reflectance of suspended sediment, International Journal of Remote
Sensing, vol.21, nº 11, pp.2259-2268.

280
BIBLIOGRAFÍA

[213] Toole, D.A., Siegel, D.A., Menzies, D.W., Neumann, M.J., Smith, C. (2000):
Remote-Sensing Reflectance Determinations in the Coastal Ocean Environment:
Impact of Instrumental Characteristics and Environmental Variability. Applied
Optics, vol. 39, nº 3, pp. 465-469.

[214] Toro, M. (2002): Técnicas de muestreo en embalses y ríos, Curso sobre limnología
aplicada: Embalses, lagunas y ríos. CEDEX.Madrid.

[215] Torres, J.A., Fernández, A. Guindos, F., Peralta, M y Cantón, M. (1999): Interpre-
tación automática de imágenes de satélite NOAA usando técnicas de computación
híbrida. Aplicación a la teledetección del afloramiento Canario-Sahariano, Tele-
detección. Avances y aplicaciones, pp.301-304.

[216] Triñanes, J. A., Tobar, A., Sordo, I. y Arias, J. (1997) Información térmica y vi-
sible del sensor AVHRR para el estudio de las floraciones tóxicas en las Costas
Gallegas, Teledetección aplicada a la gestión de los recursos naturales y medio
litoral marino, pp.167-170.

[217] Van Genderen, J. (1998): Remote Sensing Image and Data Fusion Tutorial, Inter-
national Institute for Aerospace Survey and Earth Sciences, ITC, Enschede.

[218] Vasilkov, A. y Kopelevich, O. (1982): On the causes of an appearance of a ma-


ximun near 700 nm in the spectrum of emission outgoing from sea thickness,
Oceanology, vol.22, pp.945-950.

[219] Verdin, J.P. (1984): Limnological applications of multispectral remote sensing,


USBR, Report nº REC-ERC-84-2, Denver.

[220] Vertucci, F.A. y Likens, G.E. (1989): Spectral reflectance and water quality of
Adirondack mountain region lakes, Limnology and Oceanography, vol. 34(8), pp.
1656-1672

[221] Vila, X. y Abella,C. (1999): Spectroradiometric identification of phototrophic mi-


croorganisms in planktonic aquatic environments, Aquatic Microbial Ecology,
vol.20, pp. 225-230.

[222] Vos, W., Donze, M. y Buiteveld, H. (1986): On the reflectance spectrum of algae
in water: the nature of the peak at 700 nm and its shift with varying concetration,
Commission on Sanitary Engineering and Water management, Deft.

[223] Wetzel, R.G. (1981): Limnología, Ediciones Omega, Barcelona.

281
E STUDIO DE AGUAS CONTINENTALES MEDIANTE TELEDETECCIÓN

[224] Witt, H. (1997): The derive of land surface parameters from multispectral remo-
te sensing data in the visible and near infrared with special consideration of the
spectral and spacial properties of the sensor, DLR Institute for Space Sensor Te-
chnology, Berlin.

[225] Wolf, P.R. (1974): Elements of Photogrammetry. McGraw-Hill, New York.

[226] Wozniak, B., Dera, J. y Koblentz-Mishke, O.J. (1992): Modelling the relationship
between prymary production optical properties and nutrients in the sea (as a basis
for indirectly estimation primary production). Proceedings of the SPIE Sympo-
sium Ocean Optics XI. Vol. 1750, pp.246-275.

[227] Wyman, M., Fay, P. (1986). Underwater light climate and the growth and pigmen-
tation of planktonic blue-green algae (Cyanobacteria) I. The influence of light
quality. Proc. R. Soc Lond., vol. 227, pp. 381-939.

282
Al inicio del siglo XXI confluyen ciertos factores que abren una nueva etapa en la teledetección de
aguas continentales: la Directiva Marco del Agua, la nueva política de distribución de imágenes de
la Agencia Espacial Europea (ESA), las aplicaciones a la gestión pública y el compromiso de los
investigadores en su aplicación práctica.

El origen de este libro se encuentra en un curso de doctorado organizado por José Antonio
Domínguez Gómez (licenciado en CC. Físicas y doctor en CC. Ambientales, investigador del CEH-
CEDEX y responsable del grupo temático de Limnología y aguas continentales de la Asociación
Española de Teledetección) y Daniel Rodríguez Pérez (doctor en CC. Físicas y profesor de Teledetección
para CC. Ambientales en la UNED) sobre teledetección aplicada a la calidad de aguas en 2009. Entre
los estudiantes, cuyos trabajos dieron lugar a este libro, se encuentran las siguientes autoras.

Cecilia Marcos Martín, licenciada en CC. Físicas, con especialidades de Astrofísica y Física de
la Atmósfera. Es funcionaria del Cuerpo Superior de Meteorólogos del Estado, y trabaja en la
Unidad de Satélites de la AEMET como responsable de los productos de precipitación del
proyecto NWCSAF de EUMETSAT.

Yolanda Chao Rodríguez, licenciada en CC. Físicas. Desde 2008 trabaja en Deimos Space en
el departamento de Real Time como encargada de la verificación y validación de uno de los
componentes de la plataforma de tierra del sistema Galileo.

Gloria Delgado Rojas, licenciada en CC. Ambientales. Ha trabajado en teledetección aplicada


a la limnología y recursos forestales. En la actualidad trabaja para el Ministerio de Medio
Ambiente, Medio Rural y Marino en el área de Reservas Marinas.

Este libro será de interés para cualquier persona que se inicie en el estudio de aguas continentales
mediante teledetección. En él se resumen los conocimientos elementales necesarios para afrontar
nuevos trabajos, las limitaciones que plantean las metodologías actuales y las líneas de trabajo que
se están siguiendo. Además, el libro introduce un software libre de la Agencia Espacial Europea,
BEAM, que se emplea en varios casos de estudio.

ISBN: 978-84-362-6376-3
05002

ciencias
9 788436 263763

0105002CT01A01