Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AguilarBrandJohnFredy2016-CORRECCION RADIOMETRICA
AguilarBrandJohnFredy2016-CORRECCION RADIOMETRICA
1
PASANTÍA
Director Interno:
JUAN CARLOS ALARCÓN HINCAPIÉ
Ingeniero Catastral y Geodesta
Director Externo:
NELSON ANDRÉS NIETO VALENCIA
Ingeniero Ambiental
2
ÍNDICE
1. INTRODUCCIÓN 9
3. OBJETIVOS 11
3.1. OBJETIVO GENERAL 11
3.2. OBJETIVOS ESPECÍFICOS 11
4. MARCO TEÓRICO 12
4.1. Índice de Calidad Ambiental 12
4.1.1. Vigor en la teledetección 13
4.2. Biomas 13
4.2.1. Zonobiomas 14
4.2.2. Orobiomas 14
4.2.3. Pedobiomas 15
4.2.4. Grandes biomas y biomas continentales. 16
4.3. Cobertura de la tierra 17
4.3.1. Coberturas mayormente transformadas 17
4.3.2. Coberturas de agroecosistemas 17
4.3.3. Coberturas mayormente naturales 17
4.3.4. Cobertura de áreas húmedas continentales y costeras 18
4.3.5. Superficies de agua 18
4.3.6. Leyenda Nacional de Coberturas de la Tierra 18
4.4. Percepción Remota 20
4.4.1. Imagen Digital 21
4.4.2. Características de una Imagen Digital 21
4.4.3. Preprocesamiento de imágenes satelitales. 23
4.5. Características del Satélite Landsat 8 OLI 27
4.6. Índices Espectrales de Vegetación 28
4.6.1. Comportamiento espectral de la vegetación en el espectro óptico. 30
4.6.2. Clasificación de los Índices de Vegetación 32
3
7. METODOLOGÍA 95
7.1. Índices Espectrales Seleccionados. 96
7.1.1. NDVI 96
7.1.2. SAVI 97
7.1.3. MSAVI 97
7.1.4. ARVI 97
7.1.5. SARVI 97
7.1.6. ASVI 97
7.1.7. GEMI 98
7.1.8. SR 98
7.1.9. NDWI 98
7.1.10. GNDVI 98
7.1.11. GARI 99
7.1.12. SARVI2 99
7.2. Selección y descarga de imágenes satelitales 100
7.2.1. Imágenes Landsat 8. 100
7.2.2. Modelos de Elevación Digital (DEM). 103
7.3. Correcciones de la Imagen 105
7.3.1.1. Corrección Geométrica 105
7.3.2. Corrección Atmosférica y Topográfica 105
7.4. Mascara de nubes y cuerpos de agua 105
7.5. Corte del Área de Procesamiento 106
7.6. Cálculo de Índices Espectrales 106
7.7. Segmentación de la Información en función de los Biomas 120
7.8. Segmentación de la información en función de la capa Corine Land Cover.
120
4
LISTADO DE IMÁGENES
Imagen 1. Esquema General de la teledetección. Fuente (O. Guzmán, 2006) 20
Imagen 2. Ancho de banda para los sensores OLI y TIRS en Landsat 8 y ETM+ en
Landsat 7 (USGS. 2013; citado en (Ariza, 2013). 27
Imagen 3. Comportamiento de la vegetación en el espectro electromagnético. Fuente:
(Gonzaga Aguilar, 2014) 29
Imagen 4. Factores que explican la reflectividad de la hoja. Fuente (Martínez, 2016) 30
Imagen 5. Clasificación de los Índices de Vegetación. Fuente: Adaptado de (UVed, 2016)
32
Imagen 6. Mapa de la zona de estudio Tayrona. Fuente: (Arenas & Nieto, 2015) 33
Imagen 7. Distribución de los biomas y las coberturas de la tierra en la zona de estudio.
Fuente: Autor 38
Imagen 8. Diseño metodológico preliminar. Fuente: Autor 95
Imagen 9. Época Invierno; Landsat 8, 09-52, 2013-11-21, color real con mejoramiento
adaptativo en el software PCI 2015. Fuente: Autor 102
Imagen 10. Época Verano; Landsat 8, 09-52, 2016-01-14, color real con mejoramiento
adaptativo en el software PCI 2015. Fuente: Autor 103
Imagen 11. Mosaico del Modelo Digital de Elevación de la Sierra Nevada de Santa Marta.
Visualización en software ArcGIS 10.3. Fuente: Autor. 104
Imagen 12. Invierno, sin corrección atmosférica. Falso Color Landsat 8 Bandas 5/4/3
Fuente: Autor 105
Imagen 13. Invierno, ATCOR3. Falso Color Landsat 8 Bandas 5/4/3. Fuente: Autor 105
Imagen 14. Escena invierno. Falso color 5/4/3. Fuente: Autor 106
Imagen 15. Escena verano. Falso color 5/4/3. Fuente: Autor 106
Imagen 16. Área del PNN Sierra Nevada de Santa Marta y Tipos de Biomas de la zona.
Fuente: Autor. 107
Imagen 17. Comportamiento del NDVI. Fuente: Autor. 130
Imagen 18. Comportamiento del SAVI. Fuente: Autor. 130
Imagen 19. Comportamiento del MSAVI. Fuente: Autor. 131
Imagen 20. Comportamiento ARVI. Fuente: Autor. 131
Imagen 21. Comportamiento SARVI. Fuente: Autor. 132
Imagen 22. Comportamiento ASVI. Fuente: Autor. 132
Imagen 23. Comportamiento GEMI. Fuente: Autor. 133
Imagen 24. Comportamiento SR. Fuente: Autor. 133
Imagen 25. Comportamiento NDWI. Fuente: Autor. 134
Imagen 26. Comportamiento GNDVI. Fuente: Autor. 134
Imagen 27. Comportamiento GARI. Fuente: Autor. 135
Imagen 28. Comportamiento SARVI2. Fuente: Autor. 135
Imagen 29. Comparación Biomas - CLC vs. NDVI. Fuente: Autor. 136
Imagen 30. Comparación Biomas - CLC vs. SAVI. Fuente: Autor. 137
Imagen 31. Comparación Biomas - CLC vs. MSAVI. Fuente: Autor. 138
Imagen 32. Comparación Biomas - CLC vs. ARVI. Fuente: Autor. 139
Imagen 33. Comparación Biomas - CLC vs. SARVI. Fuente: Autor. 140
Imagen 34. Comparación Biomas - CLC vs. ASVI. Fuente: Autor. 141
Imagen 35. Comparación Biomas - CLC vs. GEMI. Fuente: Autor. 142
Imagen 36. Comparación Biomas - CLC vs. SR. Fuente: Autor. 143
5
Imagen 37. Comparación Biomas - CLC vs. NDWI. Fuente: Autor. 144
Imagen 38. Comparación Biomas - CLC vs. GNDVI. Fuente: Autor. 145
Imagen 39. Comparación Biomas - CLC vs. GARI. Fuente: Autor. 146
Imagen 40. Comparación Biomas - CLC vs. SARVI2. Fuente: Autor. 147
6
LISTADO DE TABLAS
7
Tabla 37. Comportamiento GEMI. Fuente: Autor. 133
Tabla 38. Comportamiento SR. Fuente: Autor. 133
Tabla 39. Comportamiento NDWI. Fuente: Autor. 134
Tabla 40. Comportamiento GNDVI. Fuente: Autor. 134
Tabla 41. Comportamiento GARI. Fuente: Autor. 135
Tabla 42. Comportamiento SARVI2. Fuente: Autor. 135
Tabla 43. Comparación Biomas - CLC vs. NDVI. Fuente: Autor. 135
Tabla 44. Comparación Biomas - CLC vs. SAVI. Fuente: Autor. 136
Tabla 45. Comparación Biomas - CLC vs. MSAVI. Fuente: Autor. 137
Tabla 46. Comparación Biomas - CLC vs. ARVI. Fuente: Autor. 138
Tabla 47. Comparación Biomas - CLC vs. SARVI. Fuente: Autor. 139
Tabla 48. Comparación Biomas - CLC vs. ASVI. Fuente: Autor. 140
Tabla 49. Comparación Biomas - CLC vs. GEMI. Fuente: Autor. 141
Tabla 50. Comparación Biomas - CLC vs. SR. Fuente: Autor. 142
Tabla 51. Comparación Biomas - CLC vs. NDWI. Fuente: Autor. 143
Tabla 52. Comparación Biomas - CLC vs. GNDVI. Fuente: Autor. 144
Tabla 53. Comparación Biomas - CLC vs. GARI. Fuente: Autor. 145
Tabla 54. Comparación Biomas - CLC vs. SARVI2. Fuente: Autor. 146
Tabla 55. Porcentaje Cambio Invierno - Verano OASM 147
Tabla 56. Porcentaje Cambio Invierno - Verano OMSM 148
Tabla 57. Porcentaje Cambio Invierno - Verano OBSMM 148
8
1. INTRODUCCIÓN
Los índices espectrales de vegetación (VI’s) son utilizados para determinar rápidamente el
estado relativo de la vegetación de una zona (Gonzaga Aguilar, 2014); también son usados
para mejorar la discriminación entre coberturas con comportamiento reflectivo muy distinto
en diferentes bandas y, para la estimación de algunas variables biofísicas (Chuvieco, 2010),
esto hace de los VI’s una herramienta útil para el monitoreo de los recursos naturales.
Existen múltiples índices espectrales desarrollados y utilizados por los investigadores con
diferentes aplicaciones; la selección de un índice vegetación requiere un análisis de la
variación espectral del índice en las diferentes coberturas naturales, debido a que el
comportamiento radiométrico de las bandas, varía en función de las condiciones
ambientales; esto hace que la información que arroja el cálculo de los índices tenga que
analizarse detalladamente en función de los biomas y ecosistemas, ya que los resultados
podrán indicar los mismos valores calculados en diferentes biomas, pero significar cosas
distintas. Esto es fundamental en el caso colombiano, dada su heterogeneidad ambiental y
su alta variabilidad geográfica (PNUD, 2011)
1
Entendido como el conjunto de condiciones óptimas que rigen el comportamiento del espacio habitable en
términos de confort asociados a lo ecológico, biológico, económico-productivo, sociocultural, tipológico,
tecnológico y estético en sus dimensiones espaciales (Luengo, 1998; citado en Arenas & Nieto, 2015). En este
caso, los investigadores del GIT PR y AG, toman como ICA, el vigor de la vegetación, ya que es una variable,
fácilmente detectable a partir de sensores remotos.
9
2. PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN Y
Los resultados obtenidos en las etapas 1 y 2 del proyecto por el GIT PR y AG, en el
desarrollo del ICA, reflejan el atributo ecosistémico del vigor2, calculado a partir del Índice
Espectral de vegetación NDVI, (Arenas & Nieto, 2015); sin embargo este índice muestra
unas limitaciones prácticas en el momento que se presentan valores altos de Índice de Área
Foliar (LAI) -por encima de 4 generalmente- (Baret, 1995; Sellers, 1987 citado en Chuvieco,
2010), y no es sensible a la franja verde del espectro electromagnético cuando la cobertura
vegetal es baja (Gill, Phinn, Armston, & Pailthorpe, 2009), esto puede sobre o subestimar
la cobertura vegetal, produciendo información errónea en algunas zonas (Zhongming, Lees,
Feng, Wanning, & Haijing, 2010)
Por esto se hace necesario el cálculo de índices de vegetación que sean sensibles a las
variaciones espectrales que reflejen las características fisiológicas, las cuales dependen de
la interacción del medio biofísico.
Este trabajo pretende responder a la pregunta ¿Cuáles son los índices de vegetación que
mejor identifican las variaciones espectrales de las coberturas naturales a partir de
imágenes Landsat 8?
2
El Vigor es usado para expresar la función del ecosistema como medida del metabolismo o la productividad
primaria (Yu et al., 2013)
3
La salud de los ecosistemas es descrita como una comprensión multiescala, dinámica, jerárquica, medida en
sistemas de resiliencia, organización y vigor (Costanza & Mageau, 1999)
10
3. OBJETIVOS
III. Definir a partir de los resultados obtenidos los índices espectrales de vegetación que
permitan identificar con mayor discriminación las variaciones espectrales en las
coberturas vegetales
11
4. MARCO TEÓRICO
“Se entiende como Calidad Ambiental al conjunto de condiciones óptimas que rigen el
comportamiento del espacio habitable en términos de confort asociados a lo ecológico,
biológico, económico, productivo, sociocultural, tipológico, tecnológico y estético en sus
dimensiones espaciales. Dichas condiciones generan un ambiente y un hábitat que llega a
satisfacer los requerimientos básicos de sostenibilidad de la vida humana” (Luengo, 1998
citado en Arenas & Nieto, 2015).
Por ello, el proyecto “Uso de imágenes de sensores remotos para el levantamiento físico
de apoyo a los avalúos ambientales”; formula un Índice de Calidad Ambiental utilizando la
teledetección satelital como herramienta para la evaluación y monitoreo de la salud de los
ecosistemas en escalas grandes (Rapport, Gaudet, & Calow, 1995, citado en Yu et al.,
2013) y en diferentes temporalidades (Li, Xu, & Guo, 2014).
La salud ecosistémica es descrita por Costanza & Mageau (1999), como una comprensión
multiescala, dinámica, jerárquica, medida en sistemas de resiliencia, organización y vigor,
Estos atributos pueden ser usados para detallar directamente indicadores de salud
ecosistémica, como productividad, riqueza de especies, y resiliencia después de disturbios
naturales y antrópicos.(Li et al., 2014).
4
Los servicios ecosistémicos son los beneficios directos e indirectos que la humanidad recibe de la
biodiversidad y que son el resultado de la interacción entre los diferentes componentes, estructuras y funciones
que constituyen la biodiversidad. En términos generales se puede identificar cuatro tipos de servicios
ecosistémicos, servicios de aprovisionamiento, servicios de regulación y soporte, y servicios culturales (MEA,
2005)
12
(invasión de especies, fragmentación del paisaje) o resiliencia - respuesta estrés, fuego,
cambio climático - (Li et al., 2014). El Vigor es usado para expresar la función del
ecosistema como medida del metabolismo o la productividad primaria; la Organización es
evaluada de acuerdo a la diversidad y a la cantidad de interacciones entre los componentes
del ecosistema, y la Resiliencia es medida por la sustentabilidad y el tiempo de la estructura
y la función (Yu et al., 2013). Diversos autores han enfatizado en la necesidad de una
evaluación de la salud del ecosistema global y dinámica con la integración de vigor, la
organización y la capacidad de resiliencia de los ecosistemas (Li et al., 2014; Yu et al.,
2013), y desarrollado modelos de evaluación (Z. Chen, Yin, Li, & Xu, 2010; Masek, Hayes,
Joseph Hughes, Healey, & Turner, 2015; D. Xu & Guo, 2015).
Debido a que los biomas son unidades caracterizadas por el tipo de plantas y animales que
alberga, en cada uno de estos el tipo de vegetación es uniforme en sus primeros estados
fenológicos, pero a medida que van creciendo las plantas las especies se van diferenciando
debido a sus características anatómicas y fisiológicas. Estas variaciones dependen del
medio físico y a la vez generan cambios en la presencia de determinadas especies
animales. Es importante aclarar que no existe una línea que delimite los biomas
demarcándolos por zonas, sino que por el contrario cada uno se superpone en una zona
de transición llamada ecotonía o efecto de borde (Arenas & Nieto, 2015).
A partir de las imágenes de satélite se calculan los índices de vegetación, haciendo una
relación entre la reflectancia del infrarrojo cercano y la reflectancia del rojo del visible,
debido a la clorofila de las hojas. Su función es permitir la evaluación del mayor o menor
vigor de la vegetación y proporciona una identificación más visual al realizar una
clasificación supervisada o no supervisada, ya que se mantiene la imagen en su máxima
nitidez (Baldi et al, 2008; citado en Arenas & Nieto, 2015)
4.2. Biomas
En la tierra existen espacios con características similares, lo cual permite establecer una
clasificación según las condiciones de temperatura, precipitaciones, humedad, flora y fauna.
La unión de los productores y los consumidores de un sitio dado lleva a la formación de
asociaciones naturales que forman grandes tipos de ensamblajes de comunidades. A
dichos espacios se les denomina biomas, y se definen como espacios naturales, donde las
condiciones son las adecuadas para que se desarrolle el componente biótico de la
naturaleza, generando interacciones con los factores abióticos (Arenas & Nieto, 2015).
13
Los biomas se consideran como un conjunto de ecosistemas terrestres afines por sus
rasgos estructurales y funcionales, los cuales se diferencian por sus características
vegetales(Hernández-Camacho & Sánchez-Páez, 1992). Así mismo, pueden ocupar
grandes extensiones y aparecen en los distintos continentes donde existen condiciones
semejantes de clima y suelos (Carrizosa y Hernández, 1990; citado en IDEAM et al., 2007).
Sarmiento (2001; citado en IDEAM, 2007) menciona que los grandes biomas del mundo
son praderas y sabanas, desiertos, tundras, taigas (bosques de coníferas), bosques
templados caducifolios, bosques secos tropicales (también caducifolios), bosques lluviosos
tropicales (de altura y de bajío) siempre-verdes, páramos y punas, biomas eólicos (altas
montañas y regiones polares), biomas insulares (altamente endémicos y oligoespecíficos),
biomas marinos (neríticos y pelágicos) y el bioma hadal (profundidades oceánicas).
Para Colombia se identifican tres grandes biomas definidos por Walter (1985; citado en
IDEAM, 2007), como ambientes uniformes pertenecientes a un Zonobioma, Orobioma o
Pedobiomas: gran bioma del desierto tropical, gran bioma del bosque seco tropical y gran
bioma del bosque húmedo tropical (Tabla 1). De acuerdo con ciertas características de
clima, suelo y vegetación, los tipos de biomas se definen así:
4.2.1. Zonobiomas
Son biomas zonales delimitados por unos amplios y peculiares caracteres climáticos,
edáficos y de vegetación zonal (clímax). Walter, creador del término, reconoce en la
geobiosfera nueve Zonobiomas con sus correspondientes zonas climáticas: ecuatorial,
tropical, subtropical árido, mediterráneo, templado cálido, templado, templado árido, boreal
y ártico; cuya característica determinante es el clima. Walter (1997) también marcó la
necesidad de establecer subdivisiones dentro de los Zonobiomas en función
fundamentalmente de la cuantía y/o efectividad de las precipitaciones.
4.2.2. Orobiomas
Son biomas definidos por la presencia de montañas que cambian el régimen hídrico y
forman cinturones o fajas de vegetación de acuerdo con su incremento en altitud y la
respectiva disminución de la temperatura (Walter, 1977). Según el rango altitudinal se
pueden distinguir tres grandes zonas dentro de los Orobiomas: zona de baja montaña, zona
de media montaña y zona de alta montaña:
14
que fluctúan entre los 12 y 18° C, también conocidos en Colombia como piso andino.
Al igual que en el Orobioma bajo, la altitud del Orobioma medio en Colombia puede
variar de acuerdo con la posición geográfica. Thourent (1983), menciona para la
cordillera Central, transecto Los Nevados, un rango altitudinal de 2.300 a 3.500 msnm.
III. Orobiomas altos: se localizan por encima del límite superior del piso andino (> 2.800
msnm) hasta el nivel de las nieves perpetuas (> 4.500 m). Thourent (1983), menciona
para la cordillera Central, transecto Los Nevados, un rango altitudinal de 3.500 a 5.200
msnm. Dentro del Orobioma alto, se distinguen a la vez cinco franjas bien definidas
(IDEAM, et al., 2007):
a) Bosques de alta montaña: esta franja de alta montaña se ubica entre los 2.800 y
3.200 msnm. Comprende una zona de transición (ecotono) entre la vegetación
cerrada de la media montaña (zona andina) y la abierta de la parte alta; sus
comunidades incluyen bosques altos y ralos. Esta franja puede variar según la
cordillera en la que se encuentre (Rangel-Ch, 2002).
c) Páramo: sus límites se extienden entre los 3.500 o 3.600 y los 4.100 msnm. La
diversificación comunitaria es máxima y se encuentran casi todos los tipos de
vegetación, aunque predominan los frailejonales y los pajonales (Rangel-Ch, 2002)
d) Superpáramo o páramo alto: esta franja, situada por encima de los 4.100 m, llega
hasta el límite inferior de las nieves perpetuas. Se caracteriza por la discontinuidad
de la vegetación y la apreciable superficie de suelo desnudo, arenales o
afloramientos rocosos. La cobertura y la diversidad vegetal disminuyen
significativamente hasta llegar a un crecimiento de pocas plantas aisladas y
predominio del sustrato rocoso (Rangel-Ch, 2002)
e) Nival: por encima de los 4.500 msnm, se extiende la franja de las nieves perpetuas
o glaciares (IDEAM, et al., 2007).
4.2.3. Pedobiomas
Son biomas originados por un característico tipo de suelo, generando condiciones azonales
de la vegetación (Sarmiento, 2001); en este caso la vegetación, y los procesos ecológicos
en general, están directamente influenciados por las condiciones edáficas e hidrológicas
que por las climáticas. Según el tipo de factor condicionante, se pueden distinguir diferentes
clases de Pedobiomas (IDEAM, et al., 2007):
15
II. Halobiomas: zonas con suelos anegados con influencia salina.
III. Helobiomas: lugares con mal drenaje, encharcamiento permanente o con prolongado
periodo de inundación.
IV. Peinobioma: formado bajo diversas condiciones climáticas y elevaciones en las que
pueden presentarse afloramientos rocosos donde ocurren procesos de meteorización
de las rocas y una lenta formación de suelos que los recubre. Su precipitación varía
entre 1.700 y 3.000 mm/año.
ID Gran ID
Gran Bioma Bioma
Bioma Bioma
16
23 Orobioma azonal del río Dagua
24 Orobioma azonal del río Sogamoso
25 Orobioma azonal del Valle del Patía
26 Helobiomas andinos
27 Orobioma de San Lucas
28 Orobioma de La Macarena
29 Orobioma del Baudó-Darién
30 Orobioma bajo de la Sierra Nevada de Santa
Marta y La Macuira
31 Orobioma medio de la Sierra Nevada de Santa
Marta
32 Orobioma alto de la Sierra Nevada de Santa
Marta
Las coberturas mayormente transformadas son áreas en las cuales las actividades
humanas han transformado en un alto grado o totalmente las coberturas naturales propias
de dichos espacios. Son ejemplos de ellas las áreas urbanas, zonas de extracción minera,
canteras, escombreras o vertederos. Las áreas urbanas comprenden zonas de uso
intensivo coberturas por estructuras o construcciones (Anderson, Hardy, Roach, & Witmer,
1976; citado en IDEAM et al., 2007).
Las coberturas de agroecosistemas son áreas que presentan diferentes arreglos espaciales
de vegetación sembrada y manejada por el hombre. Algunos ejemplos de esta cobertura
son los cultivos anuales o transitorios, cultivos semipermanentes y permanentes, pastos,
áreas agrícolas heterogéneas, áreas agroforestales y bosques plantados (IDEAM et al.,
2007)
Las coberturas mayormente naturales son aquellas que no han sufrido mayores
transformaciones por acción antrópica o que, habiendo sido transformadas, responden a
una dinámica de regeneración natural. Como ejemplos se citan los bosques naturales, la
vegetación secundaria, los arbustales, herbazales, las zonas desnudas, los afloramientos
rocosos, los glaciares y las nieves (IDEAM et al., 2007)
17
I. Bosque denso: como comunidades vegetales dominadas por árboles de altura
promedio superior a 5 m y con densidad de copas superior al 70% (IDEAM, et al.,
2007)
III. Herbazal: son áreas en las cuales predominan plantas sin estructura de tallo definida
(Di Gregorio & Jansen, 2000; citado en IDEAM, et al., 2007), con especies
principalmente gramíneas de alturas inferiores a 2 m.
Es la vegetación que se asocia de manera directa a los cuerpos de agua. Son ejemplos de
ella la hidrofitia continental y las coberturas herbáceas y arbustivas costeras (IDEAM, et al.,
2007).
Son cuerpos de agua que pueden ser naturales o artificiales. En la subdivisión se tienen
aguas continentales naturales (ríos, lagos, lagunas) o artificiales (represas), aguas marinas
y lagunas costeras (IDEAM, et al., 2007).
18
Según la metodología CORINE (Coordination of Information on the Environmental) Land
Cover adaptada para el país (Tabla 2)
Tabla 2. Leyenda Nacional De Coberturas De La Tierra – Colombia. Fuente: (IDEAM, 2010)
19
2.4. Áreas agrícolas heterogéneas 5.1.3. Canales
2.4.1. Mosaico de cultivos 5.1.4. Cuerpos de agua artificiales
2.4.2. Mosaico de pastos y cultivos 5.2. Aguas marítimas
2.4.3. Mosaico de cultivos pastos y espacios 5.2.1. Lagunas costeras
naturales
2.4.4. Mosaico de pastos con espacios 5.2.2. Mares y océanos
naturales
2.4.5. Mosaico de cultivos y espacios 5.2.3. Estanques para acuicultura marina
naturales
20
aéreas o espaciales, para luego ser transmitidas a estaciones de recepción distribuidas por
el planeta. (O. Guzmán, 2006)
De forma generalizada, se define a una imagen digital como un arreglo de números que
representa una distribución espacial de ciertos parámetros de campos, como la reflexión de
energía electromagnética, emisión, temperatura, o alguna variable de elevación topográfica
o geofísica.
Una imagen digital está conformada por elementos pictóricos discretos denominados
píxeles organizados en filas y columnas. Cada píxel tiene asociado un número denominado
como Nivel Digital (ND), el cual representa la intensidad o brillo promedio de un área mínima
relativa dentro de la escena, generalmente, el rango de niveles digitales va de 0 a 255. El
tamaño de esta área mínima afecta considerablemente la captura de detalles terrestres
dentro de la escena, si se reduce el tamaño de píxel se preservará mejor estos detalles
terrestres en la imagen (Posada, 2008; citado en O. Guzmán, 2006).
I. Resolución Espacial
Se define por el elemento más pequeño que puede ser discriminado en una imagen. Se
mide mediante el Campo de Visión Instantáneo (IFOV) de un sensor óptico electrónico, o
en la práctica, mediante distancia del terreno que corresponde a ese ángulo y que
corresponde a mínima unidad de información incluida en la imagen o píxel. Menor sea el
tamaño del píxel, mayor resolución posee la imagen y mayor nivel de detalle es posible
extraer de la misma. Sin embargo, si las áreas de interés son muy heterogéneas, como por
ejemplo áreas urbanas, se ha comprobado que mayor resolución espacial afecta
negativamente la clasificación digital. Igualmente, cabe mencionar que el umbral para
discriminación de los objetos en una imagen es 4 veces mayor que el tamaño de un píxel
21
desde hace poco tiempo, las imágenes del satélite Indio – IRIS con resolución de 6 metros
(Posada, 2008; citado en O. Guzmán, 2006)
Indica el ancho y número de las bandas espectrales que posee una imagen. Una imagen
multiespectral se caracteriza por ser más idónea si cuenta con mayor número de bandas,
ya que facilita la caracterización espectral de los distintos objetos de la tierra. A la vez es
conveniente que estas bandas sean estrechas, ya que las bandas muy amplias registran
un valor promedio, que puede encubrir la diferenciación espectral entre los objetos de
interés.
La elección del número, anchura y localización de las bandas depende de objetivos del
estudio. Por ejemplo, para el estudio de la vegetación es recomendable contar con las
bandas del rango del espectro visible, infrarrojo cercano y medio; para estudio de calidad
de las aguas es importante contar con las bandas azul, verde y rojo. La menor resolución
espectral posee las imágenes de radar, cuentan con una sola banda y son mono
espectrales. Las imágenes óptico-electrónicas cuentan con un amplio rango de bandas
espectrales en función del programa espacial. Existen programas, como HRIS (High
Resolution Imaging Spectrometer) con 196 canales espectrales, (Chuvieco, 2002). Los
comunes para Colombia son las imágenes LANDSAT-TM con 7 bandas espectrales hasta
el programa LANDSAT-5 y 8 bandas para LANDSAT-7. Siguen las imágenes SPOT, con 3
bandas en el programa SPOT-3 y 4 bandas para SPOT-4. Las imágenes IKONOS y
QuickBird cuentan con 4 bandas espectrales (Posada, 2008).
Representa la capacidad del sensor para detectar las variaciones en la radiación espectral
que recibe. El rango con que se codifica la radiación varia para distintos sensores, sin
embargo, los de 256 niveles de codificación o 8 bits son las comunes en el mercado actual
de las imágenes de sensores óptico-electrónicos, así como LANDSAT y SPOT. Las
imágenes de IKONOS son de 11 bits o 2048 niveles radiométricos. La mayor precisión
radiométrica conlleva en teoría a mayor precisión. Sin embargo, según Chuvieco, algunos
autores han demostrado que el aumento de 64 a 256 niveles no implica una mejora
significativa en la clasificación de coberturas vegetales. Igualmente se puede mencionar el
caso de radar, que con una resolución radiométrica de 16 bits 65536 niveles de codificación,
de ninguna manera podrá superar una imagen multiespectral de 256 niveles en cuanto a
discriminación y clasificación de objetos terrestres (Chuvieco, 2002; Posada, 2008; CCRS,
2003).
22
mayoría de las regiones de Colombia y específicamente en el área del Pacifico se dificulta
debido a las condiciones atmosféricas adversas y alta nubosidad durante casi todo año.
El pre procesamiento de las imágenes, consiste en hacer las correcciones de las imágenes,
con el fin de eliminar cualquier anomalía detectada en la imagen, ya sea en su localización
o radiometría de los pixeles que la componen (Gonzaga Aguilar, 2014).
Cualquier imagen adquirida por un sensor remoto, presenta una serie de alteraciones
radiométricas y geométricas debidas a muy variados factores, en el caso concreto de las
imágenes espaciales, las deformaciones más frecuentes pueden agruparse en 4 grupos
(Chuvieco, 1995):
23
diferencias en los valores de radiancia y la conversión de los ND a valores de radiancia y
reflectancia, utilizando modelos de atmósfera y las geometrías de iluminación/observación
(APN, 2005; citado en Gonzaga Aguilar, 2014).
El objetivo general de las correcciones atmosféricas es convertir los valores obtenidos por
el sensor remoto en valores de reflectancia en superficie, que es la magnitud física de
interés. Estos valores son necesarios cuando se utilizan datos satelitales para el análisis
cuantitativo de las propiedades biofísicas de los elementos de la superficie terrestre,
identificar y evaluar los procesos que en ella ocurren mediante la comparación de diferentes
escenas en estudios temporales y cuando se deriven índices a partir de bandas ubicadas
en diferentes regiones del espectro electromagnético (Gonzaga Aguilar, 2014).
24
Los coeficientes son proporcionados por los organismos responsables de los sensores o
programas. Una vez estimada la radiancia (en condiciones óptimas de calibración) se ha
de relacionar con otros parámetros físicos. Se puede decir que la radiancia recibida por un
sensor de una banda k depende de:
𝜌∗ 𝐷𝜋𝐿𝑠𝑒𝑛,𝑘
𝑘=
𝐸0,𝑘 cos 𝜃𝑖
El cálculo del valor de la reflectancia en superficie implica introducir algún tipo de corrección
sobre el efecto que imprime la atmósfera sobre la señal recibida por el sensor.
𝐿𝑠𝑒𝑛,𝑘 – 𝐿𝑎,𝑘
𝐷𝜋( )
𝜏𝑘,0
𝜌𝑘 =
𝐸0,𝑘 𝐶𝑜𝑠𝜃𝑖 𝜏𝑘,𝑖 + 𝐸𝑑,𝑘
Los procedimientos para abordar las correcciones atmosféricas con exactitud son muy
laboriosos y requieren datos sobre las condiciones de la atmósfera en el momento de tomar
la imagen, que no suelen estar disponibles. Además, el efecto de la atmósfera no es
25
constante en la imagen, algunas zonas pueden estar afectadas más que otras, en función
de la diversa presencia de aerosoles o vapor de agua (Chuvieco, 2010).
Existe un modelo de corrección atmosférica que vale la pena destacar llamado Atcor, fue
desarrollado por Ritcher (Chuvieco, 2010). Atcor realiza las correcciones atmosféricas
basado en un conjunto de perfiles atmosféricos estándar que viene incluidos dentro del
software y que pueden ser personalizados por el usuario en caso de contar con información
más detallada, estos perfiles incluyen el contenido del vapor de agua y los tipos de
aerosoles (Chuvieco, 2010). Según el mismo autor, el software requiere una estimación del
espesor atmosférico para lo cual se debe indicar el rango de visibilidad dado en kilómetros
y una altura sobre el nivel del mar promedio para la imagen permitiendo incorporar un
modelo digital del terreno – MDT. Otro parámetro a introducir el ángulo cenital solar. El autor
del modelo de corrección de Atcor hace la salvedad de que éste funciona adecuadamente
para sensores de observación de la tierra “cuasi vertical” lo cual permite una tolerancia de
+/- 8° en zonas con altitudes por debajo de 1500m y con pendientes moderadas.
V. Correcciones topográficas
26
4.5. Características del Satélite Landsat 8 OLI
Antes de 1972, la idea de utilizar datos de satélite para la vigilancia terrestre, la cartografía
o la exploración era un concepto visionario. Hecho que da origen al Programa Landsat, el
cual se constituye en una serie de misiones de observación de la tierra por satélite
gestionadas conjuntamente por la NASA y el Servicio Geológico de Estados Unidos
(USGS). El programa Landsat ha revolucionado la forma de ver y estudiar nuestro planeta.
Esta serie de datos, que se inició en 1972, es la más larga de la historia y continua
registrando los cambios en la superficie terrestre desde el espacio. Landsat ha sido el único
sistema de satélite diseñado y operado para observar repetidas veces la cubierta de la tierra
con una resolución moderada; de manera general cada pixel en su imagen tiene un tamaño
con el que se podría cubrir un campo de béisbol (Ariza, 2013). En la Imagen 2, se muestra
la diferencia entre las bandas d los sensores Landsat 8 y Landsat 7.
Imagen 2. Ancho de banda para los sensores OLI y TIRS en Landsat 8 y ETM+ en Landsat 7 (USGS. 2013; citado en
(Ariza, 2013).
El satélite Landsat 8 incorpora dos instrumentos de barrido: Operational Land Imager (OLI),
y un sensor térmico infrarrojo llamado Thermal Infrared Sensor (TIRS). La calidad de los
datos (relación de la señal en función del ruido) y la resolución radiométrica (12 bits) del
OLI y TIRS es más alta que los anteriores instrumentos Landsat (8 bits para TM y ETM+),
proporcionando una mejora significativa en la capacidad de detectar cambios en la
superficie terrestre. Los datos de productos Landsat 8 son totalmente compatibles con todos
los datos de los productos estándar a nivel 1 (ortorectificado) creados usando Landsat 1 al
Landsat 7 (Ariza, 2013); como se muestra en la Tabla 3.
Tabla 3. Especificaciones de Productos LDCM a Nivel 1. Fuente: (Ariza, 2013)
27
Bandas TIRS 10-11: tomadas en 100 metros, pero
remuestreadas a 30 metros
Formato de datos GeoTIFF
Remuestreo por convolución cúbica (CC)
Norte arriba (MAP) de orientación
Proyección cartográfica: Universal Transversal Mercator (UTM)
(estereográfica polar de la Antártida)
Características de los datos Datum al Sistema Geodésico Mundial (WGS) 84
12 metros de error circular, 90% de confianza exactitud global
para OLI
41 metros de error circular, 90% de confianza exactitud global
para TIRS
Los valores de píxel en 16 bits
Entrega de datos Archivo comprimido .Tar.gz y de descarga a través de HTTP
Aproximadamente 1 GB (comprimido), aproximadamente 2 GB
Tamaño de archivo
(sin comprimir)
Las imágenes Landsat 8 obtenidas por el sensor (OLI) y (TIRS) constan de nueve bandas
espectrales con una resolución espacial de 30 metros para las bandas de 1 a 7 y 9. Una
banda nueva (1) (azul- profundo) es útil para estudios costeros y aerosoles. La nueva banda
(9) es útil para la detección de cirrus. La resolución para la banda 8 (pancromática) es de
15 metros. Dos bandas térmicas 10 y 11 son útiles para proporcionar temperaturas más
precisas de la superficie y se toman a 100 metros de resolución (Tabla 4). El tamaño
aproximado de la escena es de 170 km de norte-sur por 183 kilómetros de este a oeste
(106 km por 114 km).
Tabla 4. Distribución de las bandas en OLI y TIRS Landsat. Fuente: (Ariza, 2013)
longitud de
Resolución
Bandas onda
(metros)
(micrómetros)
Landsat 8 Banda 1 - Aerosol costero 0.43 - 0.45 30 m
Operational Land Banda 2 – Azul 0.45 - 0.51 30 m
Imager (OLI) and Banda 3 - Verde 0.53 - 0.59 30 m
Thermal Infrared Banda 4 - Rojo 0.64 - 0.67 30 m
Sensor (TIRS) Banda5 – Infrarrojo cercano
0.85 - 0.88 30 m
(NIR)
Banda 6 - SWIR 1 1.57 - 1.65 30 m
Banda 7 - SWIR 2 2.11 - 2.29 30 m
Banda 8 - Pancromático 0.50 - 0.68 15 m
Banda 9 - Cirrus 1.36 - 1.38 30 m
February 11, 2013 *Banda 10 – Infrarrojo térmico
10.60 - 11.19 100 m
(TIRS) 1
*Banda 11 - Infrarrojo térmico
11.50 - 12.51 100 m
(TIRS) 2
Es un cociente o ratio implica efectuar una división, pixel a pixel, entre los ND almacenados
en dos o más bandas de la misma imagen. Los índices espectrales se utilizan ampliamente
28
en dos situaciones: 1) para mejorar la discriminación entre coberturas con comportamiento
reflectivo muy distinto en esas bandas, por ejemplo para realzar suelos y vegetación en el
VIS e IRC, y 2) para reducir el efecto del relieve (pendiente y orientación) en la
caracterización espectral de distintas coberturas, sin embargo resulta más recomendable
aplicar correcciones del sombreados topográfico, centrando el interés de estos índices en
mejorar la discriminación de las coberturas vegetales y estimar algunas de sus variables
biofísicas.
La vegetación sana muestra un claro contraste entre las bandas del VIS –y especialmente
la banda roja (0,6 – 0,7 m ) – y el IRC (0,7 – 1,1 m ). Mientras en el VIS los pigmentos de la
hoja absorben la mayor parte de la energía que reciben, estas sustancias apenas afectan
al IRC. Por esta razón, se produce un notable contraste espectral entre la banda
reflectividad de la banda R del espectro y la del IRC, lo que permite separar, con relativa
claridad, la vegetación sana de otras de otras coberturas (Chuvieco, 2010).
Imagen 3. Comportamiento de la vegetación en el espectro electromagnético. Fuente: (Gonzaga Aguilar, 2014)
Cuando la vegetación sufre algún tipo de estrés (por ejemplo, por plagas o sequias
intensas), su reflectividad será inferior en el IRC, aumentando paralelamente en el rojo (al
tener menor absorción clorofílica) con lo que el contraste entre ambas será mucho menor.
Cuanto mayor sea la diferencia entre reflectividadades de la banda IRC y R, mayor vigor
vegetal presentará la cobertura observada.(Chuvieco, 2010)
Bajos contrastes indican una vegetación enferma, senescente o con poca densidad, hasta
llegar a los suelos descubiertos o al agua, que representan una reflectividad muy similar
entre el IRC y el R, o incluso inferior en esta última (caso del agua o las nubes).
29
4.6.1. Comportamiento espectral de la vegetación en el espectro óptico.
La baja reflectividad en la porción visible del espectro se debe al efecto absorbente de los
pigmentos de la hoja, principalmente las clorofilas, xantofilas y carotenos. Todos ellos
absorben en la banda del espectro situado en entorno a los 0.445um, mientras la clorofila
representa una segunda banda de absorción en torno a los 0.645um, en donde el efecto
absorbente es menor. Por esta causa el aparece un pico relativo de reflectividad que
coincide con la banda verde del espectro visible, y causa el color con el que nuestros ojos
perciben la vegetación vigorosa.(Chuvieco, 2010)
Cuando se aproxima la caída otoñal de las hojas, la clorofila ejerce una menor influencia,
lo que explica su mayor reflectividad en la banda roja y, en definitiva, su color amarillento
(verde + amarillo).
30
regulación térmica de la planta y su absorción de CO 2. El parénquima alberga los
cloroplastos, mientras en el mesófilo tienen lugar los intercambios gaseosos necesarios
para la respiración de la planta. Debido a ello cuentas con unas cavidades de aire internas,
que dispersan la mayor parte de la radiación incidente en el NIR (Gates et al, 1965; Horler
et al, 1983; citado en Chuvieco, 2010). Por ello la hoja sana ofrece una alta reflectividad en
esta banda, en claro contraste con la baja reflectividad que presenta en el espectro visible,
especialmente en la banda roja; puesto que la estructura de la hoja es muy variada según
las especies, esta banda también resulta idónea para discriminar entre plantas, incluso
entre aquellas que o podrían separarse en el espectro visible.
A partir de 1,4 um el efecto absorbente del agua es muy claro, por lo que la reflectividad de
la vegetación sana se reduce drásticamente en el SWIR. En el NIR y SWIR donde la
absorción del agua es más clara, se sitúan dos picos relativos de reflectividad, en torno a
1,6 um y 2,2 um. Esta clara relación entre bandas, permite determinar aquellas zonas
afectadas por el estrés hídrico (Ceccato et al., 2001; Hunt & Rock, 1989; Zarco-Tejada et
al., 2003; citado en Chuvieco, 2010)
Como principio genérico se afirma que, cuanto mayor sea el contraste entre las bandas del
R y NIR, mayor será la cobertura vegetal y/o el vigor de la vegetación, y más clara será su
discriminación frente a otro tipo de coberturas.(Chuvieco, 2010).
31
4.6.2. Clasificación de los Índices de Vegetación
II. Índices que Tienen en Cuenta la Influencia del Suelo. Estos índices se han
propuesto con el fin de corregir o al menos reducir la influencia del fondo del suelo
- subyacente a la cobertura vegetal en la señal medida por el sensor satelital. Se
han desarrollado tres tipos de índices: 1) índices ortogonales (tales como el índice
de vegetación perpendicular – PVI (Richardson & Wiegand, 1977)), caracterizado
por la distancia perpendicular entre un punto que representa la cobertura vegetal en
el espacio multiespectral Rojo / NIR y el suelo. 2) índices derivados de la
formulación del NDVI (como índice de vegetación ajustado por el suelo – SAVI
(Huete, 1988)). 3) índice categoría combina los dos tipos anteriores. Este es el
32
caso de los índices TSAVI (Baret, Guyot, & Major, 1989) y MSAVI (Qi, Chehbouni,
Huete, Kerr, & Sorooshian, 1994).
III. Índices que Tienen en Cuenta la Influencia de la Atmósfera. Los gases y los
aerosoles en la atmósfera afectan a la radiación electromagnética a través del
proceso de difusión y absorción. La difusión (dispersión de Rayleigh) siendo más
selectivos en el espectro visible a la longitud de onda corta (azul) y grande (rojo), la
corrección se basa a menudo en la diferencia entre las bandas espectrales azules
y rojo. Como el Índice de Vegetación Resistente a la Atmósfera (Kaufman & Tanré,
1992), y el Índice Global de Monitoreo Ambiental (Pinty & Verstraete, 1992), entre
otros.
IV. Índices que Tienen en Cuenta la Influencia del Suelo – Atmósfera. Mediante la
combinación de los índices mostrados anteriormente, incluyendo el SAVI, y ARVI,
es posible obtener pistas que permiten corregir los efectos combinados del suelo y
la atmósfera, como el (EVI) índice de vegetación mejorado (Huete, Justice, & van
Leeuwen, 1999).
La zona de estudio se encuentra dentro de la jurisdicción del Parque Nacional Natural Sierra
Nevada de Santa Marta (PNN SNSM), en la región caribe colombiana, en el departamento
de Magdalena, en los municipios de Santa Marta, Ciénaga y Aracataca.
33
5.1. Clima
La zona de estudio, se caracteriza por estar ubicada en la región litoral montañosa más
grande del mundo y posee todos los pisos térmicos desde cálido húmedo hasta nieves
perpetuas. Su temperatura oscila entre temperaturas cercanas e incluso inferiores a las 0°C
hasta los 38°C (Arenas & Nieto, 2015).
Los dos regímenes de distribución de lluvias en la Sierra se explican por el efecto abrigo el
cual se da por la oposición al paso de los vientos alisios que soplan del norte y del nordeste
principalmente, que conllevan a que los flancos norte y noreste de la Sierra presentan mayor
nubosidad y los bordes orientales y de los valles Ranchería y Cesar sean secos (Van der
Hammen, 1984; citado en Rangel-Ch & Carvajal-Cogollo, 2012).
5.2. Hidrografía:
La alta precipitación sobre las zonas medias y altas de la Sierra hacen de este sistema
orográfico una estrella hidrográfica de muy alto rendimiento, conformada por treinta y cinco
ríos principales de los cuales 16 nacen en el parque, con un caudal de cerca de diez mil
millones de metros cúbicos de agua al año. Estas aguas son las únicas fuentes para las
extensas zonas áridas de las planicies que rodean el macizo, además, son las que
garantizan el funcionamiento de los sistemas estuarios y lacustres (Balaguera et al., 2005).
Las corrientes de agua que bajan desde las Sierra Nevada de Santa Marta son los Ríos
Piedras, Buritaca, Don Diego, Don Dieguito, Giacharaca, Palomino y Tucurinca, así como
las Quebradas Nuanaisí, Naculundicue, Mancuamalis y La Leona. En su límite norte se
encuentra el Mar Caribe en el cual la mayoría de los cuerpos de agua mencionados vierten
sus aguas. Gran parte de la humedad que traen los vientos es captada en forma de lagunas
y de glaciares (Arenas & Nieto, 2015).
34
5.3. Coberturas vegetales y ecología de la Sierra Nevada de Santa Marta.
5.3.1. Biomas
Bioma Características
35
I. Orobioma bajo de la Sierra Nevada de Santa Marta y Macuira
Este Orobioma abarca una extensión de 994.633 ha y en él se dan climas cálido seco
(35%), templado seco (28%), cálido árido (15%) y templado húmedo (13%). El 69% del
área del orobioma está ubicado sobre la unidad geomorfológica de montaña
fluviogravitacional y el 31% sobre montaña estructural erosional. En este orobioma
predominan las siguientes coberturas de la tierra: vegetación secundaria (33%), bosques
naturales (32%), pastos (14%), arbustales (8%) y herbazales (7%). (IDEAM et al., 2007)
Con una extensión de 174.149 ha, este orobioma presenta climas frío húmedo (44%), frío
muy húmedo (42%) y frío seco (14%). El 79% del área del orobioma se encuentra en la
unidad geomorfológica de montaña fluviogravitacional, el 17% sobre montaña estructural
erosional y un 4% sobre montaña glaciárica. Predominan las siguientes coberturas de la
tierra: bosques naturales (59%), áreas agrícolas heterogéneas (20%), herbazales (11%) y
pastos (5%) (IDEAM et al., 2007)
Este orobioma abarca una extensión de 157.621 ha y cuenta con climas extremadamente
frío seco (40%), muy frío seco (36%), muy frío húmedo (15%) y nival seco (7%). El 79% del
área del orobioma está sobre la unidad geomorfológica de montaña glaciárica, y el 20% en
montaña fluviogravitacional. En este orobioma predominan las siguientes coberturas de la
tierra: herbazales (71%), bosques naturales (10%), arbustales (10%) y zonas desnudas (sin
o con poca vegetación) (5%). (IDEAM et al., 2007)
36
Ecosistema de los matorrales de Obtegomeria
caerulescens y Lachemilla polylepis
Tabla 8. Área de las coberturas vegetales presentes en la zona de estudio. Fuente: Autor
Código Cobertura de la Tierra Área (ha) Porcentaje
231 Pastos limpios 820.90 1.06
37
Imagen 7. Distribución de los biomas y las coberturas de la tierra en la zona de estudio. Fuente: Autor
38
A continuación se detalla la Descripción de los ecosistemas de la Sierra Nevada de Santa
Marta elaborada por Rangel-Ch (2012):
I. Ecosistema de los bosques dominados por Zygia longifolia y Virola sebifera (Van
der Hammen 1994 citado en Rangel-Ch, 2012)
d) Suelos: Espesor horizonte 0: 25 cm; Carbono orgánico, 8.5%. Mull (C/N aprox. 10);
pH 5-6. La temperatura de suelo se estabiliza aproximadamente a 40 cm. Proceso
morfo-climáticos: meteorización, disección, remoción en masa.
e) Clima: Temperatura media anual entre 21º y 25º C. Precipitación estimada 2800-
4000 mm. Régimen de distribución de las lluvias de tipo bimodal-tetraestacional, dos
períodos lluviosos de tres meses de duración, el mayor entre septiembre y
5
Citado en (Rangel-Ch, 2012)
39
noviembre y el segundo entre marzo y mayo. Las épocas de lluvias bajas van desde
diciembre hasta febrero y desde junio hasta agosto.
40
4. La precipitación total anual es mayor a 2700 mm. El régimen de distribución de
las lluvias es de tipo unimodal-biestacional. Los meses con mayor pluviosidad son
septiembre y octubre con promedios de 400 y 380 mm respectivamente. El período
de menor precipitación está entre diciembre y abril, enero presenta el menor
promedio de lluvias.
41
En reptiles Gonatodes albogularis, Gonatodes vittatus, Lepidoblepharis
sanctaemartae, Thecadactylus rapicauda, Anolis auratus, Anolis onca, Anolis
tropidogaster, Basiliscus iguana, Mabuya zuliae, Ameiva, Ameiva bifrontata, Bachia
bicolor, Bachia talpa, Cnemidophorus lemniscatus, Tretioscincus bifasciatus,
Drymarchon melanurus, Enulius flavitorques, Leptodeira annulata, Liophis
melanotus, Stenorrhina degenhardtii y Porthidium lansbergii.
e) Clima: Temperatura media que fluctúa entre 8º C (partes altas) y 13º C (partes
bajas). Precipitación estimada mayor de 2800. El régimen de distribución de las
lluvias es de tipo unimodal-biestacional. Los meses con mayor pluviosidad son
agosto y septiembre con promedios cercanos a los de 400 mm. El período de menor
precipitación está entre diciembre y abril; enero presentó el menor prome-dio de
lluvias.
6
Citado en (Rangel-Ch, 2012)
42
magdalenicum, Libanothamnus occultus, Obtegomeria caerulescens, Ranunculus
flagelliformis y Vaccinium floribundum.
8
Citado en (Rangel-Ch, 2012)
9
Citado en (Rangel-Ch, 2012)
43
Polychrus gutturosus, Ameiva, Ameiva bifrontata, Anadia altaserrania,
Cnemidophorus lemniscatus, Imantodes cenchoa, Leptophis ahaetulla y Pseudoboa
neuwiedii.
44
Liophis melanotus, Mastigodryas boddaerti, Tantilla melanocephala, Micrurus
mipartitus, Bothrops asper y a Anolis umbrivagus.
g) Distribución: Magdalena, PNN Sierra Nevada de Santa Marta vertiente NW, límite
entre municipios Santa Marta-Ciénaga, transecto Ecoandes Buritaca-La Cumbre,
3200-4100 m: cerro Buritaca, 3200 m; al NNE del alto La Cumbre (ca. 1 Km), 3500
m; al NE de la laguna Chubdala (ca. 0.4 Km), 3750 m; entre el alto La Cumbre y La
Cuchilla La Cimarrona, 3770 m; cuchilla La Cimarrona, filo E (extremo ENE), al S de
la laguna La Perdida, 3900 m.
10
Citado en (Rangel-Ch, 2012)
45
6. RESULTADOS DE LA BÚSQUEDA DE INFORMACIÓN
Tabla 9. Resumen de la búsqueda bibliográfica. Fuente: Autor
RAZÓN DE
No FUENTE RESUMEN CARPETA
CONSULTA
Cui, L., Li, G., Ren, H., La corrección atmosférica es un proceso esencial en los estudios
He, L., Liao, H., Ouyang, cuantitativos de teledetección. Existe una falta en la evaluación de los Comparación de
N., & Zhang, Y. (2014). métodos de los datos de las zonas costeras, en particular los datos históricos. Métodos de
2 Correcciones
Assessment of En este estudio, se evalúan los desempeños de los métodos existentes, con Corrección
atmospheric correction la zona costera de Jiangsu, en el este de China como el área de estudio. Dos Atmosférica.
methods for historical métodos, que se basan en la fecha de adquisición de imágenes y en las
46
Landsat TM images in radiancias máximas y mínimas, se utilizan para convertir los valores de
the coastal zone: A case número digitales a radiancia del sensor. El método de reflectancia aparente,
study in Jiangsu, China. y el método de sustracción del cuerpo oscuro (DOS), se utilizan para la
European Journal of corrección de cuatro imágenes históricas Thematic Mapper (TM). Los
Remote Sensing, 47(1), desempeños de estos métodos se evalúan mediante el empleo de cuatro
701–716. procedimientos de evaluación. Los resultados muestran que el método
http://doi.org/10.5721/Eu basado en la fecha de adquisición de imágenes es superior al método basado
JRS20144740 en las máximas y mínimas radiancias. Por otra parte, el DOS-iteración puede
lograr mejores resultados y por lo tanto puede ser un modelo de corrección
más razonable que los otros métodos. (Cui et al., 2014)
47
Se propone un nuevo índice de vegetación ajustado humedad (MAVI)
utilizando la reflectancia del rojo (R), infrarrojo cercano (NIR) y de onda corta
infrarroja (SWIR) en una forma de relación de bandas en el presente
documento. La eficacia de MAVI en la recuperación de índice de área foliar
(LAI) se investiga el uso de Landsat-5 datos y mediciones de campo LAI en
dos bosques y dos zonas de pastos. La capacidad de MAVI para recuperar
los bosques LAI bajo diferentes condiciones de fondo se evalúa
adicionalmente usando reflectancia del dosel de los bosques de pino y de
Abeto Negro simulados por el modelo 4-escala. En comparación con varios
índice de vegetación de dos bandas de uso común, tales como el índice
normalizado de diferencia de vegetación, el índice de vegetación ajustado al
suelo, el índice de vegetación ajustado modificado al suelo, el índice de
Zhu, G., Ju, W., Chen, J. vegetación ajustado optimizado al suelo; MAVI es un mejor predictor de la
M., & Liu, Y. (2014). A Índice MAVI,
LAI, en promedio, lo que puede explicar el 70 % de las variaciones de la LAI
Novel Moisture Adjusted reducción del
en las cuatro áreas de estudio. Similar a otros VI’s de tres bandas
Vegetation Index (MAVI) efecto de fondo.
relacionados con la banda SWIR, tales como el índice de vegetación de
to Reduce Background diferencia normalizada modificado (MNDVI) y la reducción de la relación (Pastizales Índices
4 Reflectance and sencilla (RSR); MAVI es capaz de reducir los efectos de reflectancia en el Espectrales
Topographical Effects on fondo copas de los árboles para la recuperación del LAI. MAVI es más Bosques
LAI Retrieval. PLoS adecuado para la recuperación de LAI que RSR y MNDVI, ya que evita la
ONE, 9(7), e102560. Valores de LAI
dificultad de determinar adecuadamente los valores máximos y mínimos
http://doi.org/10.1371/jou requeridos en el SWIR para RSR y MNDVI, lo que mejora la robustez de )
rnal.pone.0102560 MAVI en la recuperación de LAI de diferentes tipos de cobertura terrestre. Por
otra parte, MAVI se expresa como proporciones entre las diferentes bandas
espectrales, reduciendo en gran medida el ruido causado por las variaciones
topográficas, lo que hace que sea más adecuado para aplicaciones en zona
montañosa. (Zhu, Ju, Chen, & Liu, 2014)
48
copas de los árboles LAI recuperación. Las siguientes conclusiones pueden
extraerse de este estudio:
Los pastizales son ecosistema terrestre más extenso del mundo, y son una
fuente importante de alimentación para el ganado. Satisfacer la creciente
demanda de carne y otros productos lácteos de manera sostenible es un gran
Ali, I., Cawkwell, F.,
reto. En una escala de campo, los GPS y las tecnologías de sensores
Dwyer, E., Barrett, B., &
basados en tierra proporcionan herramientas prometedoras para pastizales y
Green, S. (2016).
gestión del rebaño con alta precisión. Con el crecimiento de la disponibilidad
Satellite remote sensing
de los datos de teledetección desde vehículos espaciales, por lo tanto, es Manejo de
of grasslands: from
importante revisar los métodos y aplicaciones relevantes que pueden explotar Pastizales Índices
5 observation to
estas imágenes. En este artículo, hemos revisado la (i) el estado actual de espectrales
management–a review. (Pastizales)
los métodos de monitoreo de los pastizales / observaciones y las aplicaciones
Journal of Plant Ecology,
basadas en satélites de datos de teledetección, (ii) los avances tecnológicos
rtw005.
y metodológicos para recuperar los parámetros biofísicos de los pastizales y
http://doi.org/10.1093/jpe/
las características de manejo (es decir, la degradación, la intensidad de
rtw005
pastoreo) e (iii) identificar los problemas clave que subsisten y algunas
nuevas tendencias futuras para el desarrollo.(Ali, Cawkwell, Dwyer, Barrett,
& Green, 2016)
49
El Desierto Gurbantunggut, es el desierto de arenas fijas y semi-fijas más
grande de China, se caracteriza por una cobertura predominante de costras
biológicas dominadas por liquen, que sirven una función indispensable en la
fijación de la arena. Dos hallazgos de costras biológicas del suelo han dado
a conocer a partir de las observaciones de campo anteriores: en primer lugar,
la distribución de las costras biológicas del suelo es selectiva en lugares; En
Zhang, Y. M., Chen, J.,
segundo lugar, la composición de especies varía de forma significativa en las
Wang, L., Wang, X. Q., &
costras biológicas del suelo que se encuentran en diferentes etapas de
Gu, Z. H. (2007). The
desarrollo. En este estudio, se desarrolló una estrategia para investigar la
spatial distribution
distribución espacial de las costras biológicas del suelo mediante el
patterns of biological soil Costras
acoplamiento de mediciones de datos y de campo de teledetección. Un índice
crusts in the Biológicas de
de corteza para datos Landsat ETM +, se ha desarrollado y aplicado para Índices
6 Gurbantunggut Desert, Suelos
detectar las costras biológicas dominadas por líquenes en el desierto espectrales
Northern Xinjiang, China.
Gurbantunggut. Los resultados indicaron que el sur del desierto abarcaba las (CBS)
Journal of Arid
más abundantes costras biológicas del suelo. Además, las costras biológicas
Environments, 68(4),
del suelo se distribuyeron en densidad uniforme en el sur del desierto
599–610.
mientras que sus patrones de distribución se vuelven más irregular en el resto
http://doi.org/10.1016/j.jar
del desierto. Por último, las estadísticas de la clasificación revelaron que las
idenv.2006.06.012
costras biológicas del suelo cubrieron el 28,7% de la tierra en toda el área de
estudio. Sin embargo, es importante mencionar que la cobertura de costras
puede ser subestimada, dado el hecho de que la detección de las costras con
imágenes Landsat ETM +, es viable sólo si costras constituyen más del 33%
del campo de visión instantáneo (IFOV) del sensor Landsat ETM +. (Zhang,
Chen, Wang, Wang, & Gu, 2007)
Cao, C., Xu, M., Chen, Se propone un marco para diagnosticar la salud del ecosistema medio
W., & Tian, R. (2012).A ambiente a escala global o regional sobre la base de una serie de factores Salud Ambienta
framework for diagnosis ecológicos naturales como la vegetación, el agua, el suelo, el aire y así como la
of environmental health sucesivamente. Todos los factores ecológicos seleccionados pueden ser convergencia de
based on remote adquiridos y controlados por la tecnología de teledetección. Mediante el Salud
7 la salud
sensing. In D. Entekhabi, análisis de las características espaciales y temporales y la aparición y Ambiental
ecológica y la
Y. Honda, H. Sawada, J. evolución del mecanismo de accionamiento de los ecosistemas, que tuvo seguridad
Shi, & T. Oki (Eds.), Land como objetivo los principales factores que afectan a la salud ambiental, ambiental.
Surface Remote Sensing definida cuantitativamente umbral de los parámetros de la seguridad
(p. 852414). Kyoto, ambiental, establecer el sistema de índice de evaluación de la salud ecológica
50
Japan: Land Surface objetivo, y el diagnóstico de la salud de las zonas ecológicas clave. (Cao, Xu,
Remote Sensing. Chen, & Tian, 2012)
http://doi.org/10.1117/12.
977439
Un desafío encontrado con los datos de Landsat Thematic Mapper (TM), que
incluye datos de tamaño de bandas espectrales de reflexión, está mostrando
Chavez Jr., P. S., & Yaw mayor cantidad de información posible en un conjunto de tres imágenes para
Kwarteng, A. (1989). la composición de color o análisis digital. El análisis de componentes
Extracting spectral principales (PCA) aplicado a las seis bandas TM de forma simultánea a
contrast in Landsat menudo se utiliza para hacer frente a este problema. Sin embargo, dos
Thematic Mapper image problemas que se pueden encontrar utilizando el método PCA son que la Análisis de
Índices
9 data using selective información de interés podría ser mapeada matemáticamente para uno de los componentes
espectrales
principal component componentes utilizados y que una composición de color puede ser difícil de principales
analysis. interpretar. Un "Selectivo" PCA se puede usar para minimizar estos dos
Photogrammetric problemas. El contraste espectral entre varias regiones espectrales fue
Engineering & Remote mapeado para un sitio del Norte de Arizona usando datos Landsat TM. Las
Sensing, 55(3), 339–348. investigaciones de campo determinaron que la mayor parte del contraste
espectral en esta zona era debido a una de los siguientes razones: la cantidad
de hierro hematita y en los suelos y rocas, las diferencias de vegetación y el
51
agua, o la presencia de yeso, que tiene una capacidad de retención de
humedad mayor que los suelos y rocas.(Chavez Jr. & Yaw Kwarteng, 1989)
Carlson, T. N., & Ripley, Se utilizó un modelo simple de transferencia de radiación con la vegetación,
D. A. (1997). On the el suelo y los componentes atmosféricos para ilustrar cómo el índice de Relación NDVI y
relation between NDVI, Diferencia de Vegetación Normalizado (NDVl), índice de área foliar (LAI), y la LAI índices
11
fractional vegetation cobertura vegetal fraccionada son dependientes. En particular, se sugiere espectrales
(Valores medios)
cover, and leaf area que el LAI y la cobertura vegetal fraccionada pueden no ser cantidades
index. Remote Sensing independientes, al menos cuando la primera se define sin tener en cuenta la
52
of Environment. presencia de parches desnudos entre las plantas, y que la variación habitual
http://doi.org/10.1016/S0 de LAI con NDVI puede explicarse como el resultado de una variación de la
034-4257(97)00104-1 cobertura vegetal fraccionada. Se realizan los siguientes puntos: i) la
cobertura vegetal fraccionada y el LAI no son del todo cantidades
independientes, dependiendo de cómo se define la LAI. Se debe tener
cuidado en el uso de LAI y la cobertura vegetal fraccionada de forma
independiente en un modelo, ya que el primero puede tener parcialmente
cuenta de estos últimos; ii) Un NDVI a escala tomada entre los límites de
mínimo (suelo desnudo) y el límite de cobertura vegetal fraccionada es
insensible a la corrección atmosférica para ambas condiciones brumosas y
claros, al menos para los ángulos de visión de menos de aproximadamente
20 grados desde el nadir; iii) Una relación simple entre el NDVI a escala y la
cobertura vegetal fraccionada, descrito previamente en la literatura, se
confirma además por las simulaciones; iv) La dependencia sensible de LAI
en NDVI cuando el primero es por debajo de un valor de alrededor de 2 a 4
pueden ser vistos como debido a la variación en el componente del suelo
desnudo. (Carlson & Ripley, 1997)
53
utiliza Landsat e IKONOS, comparado favorablemente con las estimaciones
derivadas de las imágenes hiperespectrales en el aire, y se pueden utilizar
con los métodos de seguimiento de los pastizales existentes. Llegamos a la
conclusión de que el método de extracción endmember es sencillo y de
aplicación general y se puede utilizar con MCSMA para obtener estimaciones
exactas de BG a partir de imágenes ASTER. Sin embargo, el uso de este
enfoque para la estimación de BG de imágenes de satélite depende de la
evolución futura de satélite hiperespectrales o sensores ASTER similares.
(Gill & Phinn, 2009)
54
La monitorización precisa de la cobertura vegetal a nivel mundial de extensas
zonas áridas y semiáridas es importante y difícil. Este estudio examinó la
capacidad de los cinco bandas de Landsat Thematic Mapper (TM), 17 índices
de vegetación (VI’s) en la estimación de saltbush (arbustos salinos) y la
cobertura total de la vegetación en ambientes de pastizales semiáridos. Se
Chen, Y., & Gillieson, D.
investigó la relación entre la cobertura vegetal del suelo-revisado y los VI’s
(2009). Evaluation of
derivados de imágenes Landsat TM y medidas de reflectancia del suelo
Landsat TM vegetation
coincidentes en el lago Mungo y Fowler Gap en Nueva Gales del Sur, Evaluación de
indices for estimating índices de
Australia, tanto de vegetación por matorrales chenopod perennes,
vegetation cover on
principalmente saltbush. El porcentaje de cobertura vegetal y la reflectancia vegetación en
semi-arid rangelands: a Índices
14 del suelo se midieron a lo largo de 147 sub-transectos y en 147 cuadrantes zonas semiáridas
case study from Espectrales
correspondientes, respectivamente. La regresión lineal se calculó para
Australia. Canadian (MSAVI
relacionar los valores de reflectancia promedio de TM bandas espectrales
Journal of Remote
individuales y los VI’s de datos de cobertura de vegetación en cada sitio. Las NDVI)
Sensing, 35(5), 435–446.
longitudes de onda del infrarrojo medio y el VI’s derivados de ellos se
http://doi.org/10.5589/m0
encontraron siendo mejor en la caracterización de la cobertura vegetal de las
9-037
medidas espectrales que se basaban sólo en bandas de onda visible e
infrarrojo cercano. El VI’s más adecuado para las encuestas a gran escala en
los pastizales semiáridos también fueron identificados, donde se requiere una
evaluación de los costos efectivos de la cobertura vegetal. (Y. Chen &
Gillieson, 2009)
55
principalmente a la banda de reflectancia roja altamente absorbente, mientras
que otros índices tales como el índice de suelo y vegetación resistente a la
atmósfera (SARVI) fueron más sensibles a las variaciones en la banda del
infrarrojo cercano (NIR). Como resultado, nos encontramos el NDVI para
imitar reflectancias rojas y saturar en los sitios boscosos, mientras que el
SARVI, por el contrario, no se satura y siguió a variaciones en reflectancias
del NIR. En los biomas áridas y semiáridas, el NDVI era mucho más sensible
a las variaciones de fondo dosel que el SARVI. Las diferencias máximas entre
el comportamiento del índice de vegetación se produjeron en los bosques de
hoja perenne de Coníferas en relación con los bosques caducifolios de hojas
anchas y secas, pastizales, y las zonas de arbustos. Estas diferencias
parecen ser útiles para complementar el NDVI para un mejor seguimiento de
la vegetación, con el NDVI sensible a la fracción de la radiación
fotosintéticamente activa absorbida, y el SARVI es más sensibles a los
parámetros estructurales del dosel como el índice de área foliar y la
morfología de las hojas
17 Chavez Jr., P. S. (1988). El análisis digital de datos de teledetección se ha convertido en un Método de Correcciones
An improved dark-object componente importante de muchos estudios de ciencias de la tierra. Estos corrección
56
subtraction technique for datos se procesan a menudo a través de un conjunto de pre-procesamiento atmosférica de
atmospheric scattering o rutinas de "limpieza" que incluye una corrección para la dispersión sustracción del
correction of atmosférica, a menudo llamado bruma. Varios métodos para corregir o quitar cuerpo oscuro
multispectral data. el componente aditivo bruma se han desarrollado, incluyendo la técnica de
Remote Sensing of sustracción-objeto oscuro ampliamente utilizado. Un problema con la mayoría
Environment, 24(3), 459– de estos métodos es que los valores de turbidez para cada banda espectral
479. se seleccionan independientemente. Esto puede crear problemas debido a la
http://doi.org/10.1016/00 dispersión atmosférica es altamente dependiente a la longitud de onda en la
34-4257(88)90019-3 parte visible del espectro electromagnético y los valores de dispersión están
correlacionados entre sí. Por lo tanto, los datos multiespectrales, como desde
el asignador y escáner multiespectral Landsat Thematic deben ser corregidos
con valores de turbidez que son dependientes a la banda espectral. Una
técnica de sustracción-objeto oscura mejorada se demuestra que permite al
usuario seleccionar un modelo de dispersión atmosférica relativa para
predecir los valores de turbidez para todas las bandas espectrales de un valor
seleccionado de la banda neblina de partida. El método mejorado normaliza
los valores de turbidez pronosticados para el aumento y compensación
diferentes parámetros utilizados por el sistema de imagen. Los ejemplos de
diferencias de valor de neblina entre los viejos y mejores métodos para
Bandas Thematic Mapper 1, 2, 3, 4, 5, y 7 son 40.0, 13.0, 12.0, 8.0, 5.0 y 2.0
vs. 40.0, 13.2, 8.9, 4.9, 16,7 y 3,3, respectivamente, usando un modelo de
dispersión relativa de una atmósfera clara. En una imagen del sensor
multiespectral Landsat en las diferencias de valor de neblina de Bandas 4, 5,
6 y 7 fueron 30.0, 50.0, 50.0 y 40.0 para el viejo método vs. 30.0, 34.4, 43.6,
y 6.4 para el nuevo método que utiliza un modelo de dispersión relativa de un
ambiente nebuloso. (Chavez Jr., 1988)
Liao, Z., He, B., & Quan, La supervisión del estado del medio ambiente de las zonas montañosas o
X. (2015). Modified accidentadas es muy importante por su gran influencia en el ecosistema
enhanced vegetation global y en la humanidad. El índice de vegetación mejorado (EVI) ha sido Modificación del
index for reducing ampliamente utilizado en el monitoreo ambiental. Se puede reducir el ruido EVI en función
18 Correcciones
topographic effects. de fondo y la atmósfera a través de su formato basado en la de los efectos
Journal of Applied retroalimentación. Sin embargo, la aplicación del EVI en las zonas topográficos
Remote Sensing, 9(1), montañosas será limitada, porque el EVI se ve afectado en gran medida por
096068. los efectos topográficos como su índice de ajuste por el suelo no está en un
57
http://doi.org/10.1117/1.J formato de relación de bandas. Para moderar los efectos topográficos en EVI,
RS.9.096068 se modificó el EVI cambiando el índice de ajuste del suelo de la constante a
una variable relacionada con el ángulo de incidencia. En la evaluación del EVI
modificado, otros tres métodos de corrección topográficos conocidos, i) Sun-
canopy-sensor (SCS), ii) SCS con C-corrección (SCS + C), y iii) modificado
Minnaert (MM), se utilizaron para la comparación. Los resultados indicaron
que el EVI modificado y SCS + C se desempeñan mejor que MM y SCS por
comparación visual. Cuantitativamente, el EVI modificado, que tiene un efecto
similar al SCS + C en las regiones de ángulo bajo de incidencia, en gran
medida disminuye la desviación estándar de las mismas características de la
tierra y la correlación entre EVI y el coseno del ángulo de incidencia. Cuando
el ángulo de incidencia es superior a 90 grados, SCS + C y otros dos métodos
de corrección topográficos causan hipercorrecciones. Sin embargo, EVI
modificado resolvió este problema bien, debido a su menor curvatura
creciente que otros tres métodos de corrección topográficos.Por otra parte,
en comparación con SCS + C, el EVI modificado conserva mejor los
características de la superficie de la tierra. (Liao, He, & Quan, 2015)
Los datos del satélite Landsat se han producido, archivados y distribuidos por
el US Geological Survey (USGS) desde 1972. Los usuarios confían en estos
datos para el estudio histórico de la alteración superficial de la tierra, pero
USGS. (2014). Características
asumir la carga de procesamiento post-producción para crear datos de
PRODUCT GUIDE del sensor
aplicaciones listas conjuntos. En cumplimiento de las directrices establecidas
LANDSAT SURFACE Landsat 8 y Índices
19 por el Sistema Mundial de Observación del Clima, el USGS se ha embarcado
REFLECTANCE- resumen de espectrales
en la producción de productos de datos Landsat de más alto nivel para apoyar
DERIVED SPECTRAL índices
estudios sobre el cambio de la superficie terrestre. Uno de estos productos
INDICES. Version 2.3. espectrales
es la reflectancia de la superficie, de la cual los índices espectrales se pueden
derivar para promover la facilidad de aplicación de usuario en la ciencia
teledetección tierra. (USGS, 2014)
Ariza, A. (2013).
Descripción y Corrección
Descripción detallada de los productos derivados del sensor Landsat OLI 8
20 de Productos Landsat 8 Landsat 8 Landsat
LDCM (Landsat Data así como el proceso de corrección radiométrica.
Continuity Mission).
Centro de Investigación
58
Y Desarrollo En
Información Geográfica
Del IGAC -CIAF, 46
59
Brito Hoyos, D. M.
(2013). Maestría en El principal objetivo de este informe es describir los procedimientos
Aplicaciones Espaciales desarrollados y reportar los resultados obtenidos durante la pasantía en el
de Alerta y Respuesta Laboratorio de Ecología, Teledetección y Eco-Informática (LETyE), que tuvo
Temprana a una duración de seis meses bajo la supervisión y dirección de la directora del Corrección Índices
22
Emergencias. Informe grupo de investigación, doctora Patricia Kandus. Durante el desarrollo de la Atmosférica Espectrales
Final - Pasantía. pasantía se alcanzaron diversos logros relacionados al uso de información
Universidad Nacional de satelital (óptico y radar) como herramienta en el campo de la ecología de
General San Martín humedales. (Brito Hoyos, 2013)
(UNSAM).
60
Sostenible: IX Congreso
Del Grupo de Métodos
Cuantitativos, Sistemas
de Información
Geográfica Y
Teledetección, 222–239.
61
del centro urbano. La densidad del dosel, el área basal y la distribución de
clases del índice de área foliar, fueron todas sesgadas hacia los valores
bajos. Los resultados demuestran que el sensor Landsat TM tiene una
capacidad relativamente rápida y eficiente para la estimación cuantitativa de
algunos atributos estructurales del bosque urbano, incluyendo índice de área
foliar, la densidad del dosel y el área basal en áreas urbanas. (Ren et al.,
2015)
Gu, Z., Ju, W., Li, L., Li, La fracción de cobertura de vegetal (VFC), es un parámetro de vegetación
D., Liu, Y., & Fan, W. importante que afecta a los intercambios de carbono, agua, energía entre la Determinación
(2013). Using vegetation atmósfera y la superficie. En este estudio, la aplicabilidad del cálculo de la de la fracción de Índices
27
indices and texture medición del tono y la textura, utilizando una imagen IKONOS-2 en la la cobertura espectrales
measures to estimate recuperación de la VFC de los bosques, se investigó en el área urbana de la vegetal
vegetation fractional ciudad de Nanjing, China. Cuatro índices espectrales de vegetación (VI’s) y
62
coverage (VFC) of seis medidas de textura (TEX) que fueron relacionados con los VFC, (NDVI
planted and natural adquiridos de mediciones in situ. Los modelos para la estimación de VFC RVI
forests in Nanjing city, basado en VI’s y / o TEX’s fueron establecidos y validados para las parcelas SAVI
China. Advances in de plantaciones forestales bajas de hoja ancha (PLB), parcelas de ARVI)
Space Research, 51(7), plantaciones de bosque maduro (PMF), parcelas de bosques naturales de
1186–1194. hoja ancha (NBF), y todas las parcelas forestales (ALLv), respectivamente.
http://doi.org/10.1016/j.as Los resultados muestran que la alta resolución espacial de datos de
r.2012.11.015 teledetección es aplicable para estimar VFC en las zonas urbanas, y TEX’s
puede actuar como suplementos eficaces de índices de vegetación (VI’s) para
la recuperación de VFC. VI’s son adecuados para la estimación de VFC de
los bosques maduros (como NBF y PMF) con una alta densidad de la
vegetación, y TEX’s puede dar una estimación más precisa de los bosques
plantados (como PLB y PMF) con distribución espacial regular si se calculan
con los parámetros adecuados, tales como el tamaño de la ventana. La
combinación de las IV’s y TEX’s mejorar la estimación de la VFC si los tipos
de bosque no se diferencian con anterioridad. Los resultados pueden ser
utilizados como una referencia para la determinación de parámetros
espectrales o de textura efectiva en la estimación de VFC en condiciones
ambientales similares de acuerdo con la madurez vegetación y la regularidad.
(Gu et al., 2013)
63
La teledetección se ha utilizado en la gestión de la salud del bosque como un
método para la cartografía de la vegetación, el combustible de fuego, la
estimación del riesgo de incendios, detección de incendios, la cartografía de
la gravedad después del incendio, la cartografía de la infestación por insectos,
Wang, J., Sammis, T. W., y el seguimiento de estrés hídrico relativo. Este documento analiza el uso de
Gutschick, V. P., la teledetección por satélite en los estudios de sanidad forestal, incluidas las Salud de los
Gebremichael, M., actividades de investigación en curso; los sensores de satélite, los métodos bosques
Dennis, S. O., & y parámetros utilizados; y su precisión. La revisión concluye que los datos de
(NDVI
Harrison, R. E. (2010). los satélites de Moderate Resolution Imaging Spectroradiometer (MODIS)
Review of Satellite son más apropiados para la mayoría de las aplicaciones de teledetección SR Índices
29
Remote Sensing Use in para la salud de los bosques que otros datos del satélite actuales, al espectrales
Forest Health Studies. considerar resoluciones temporales y espaciales, el coste y bandas. MODIS GRVI
The Open Geography tiene un día 1-2 temporal y una resolución espacial 250-1000 m; los datos
MSAVI
Journal, 3(1), 28–42. son gratuitos y abarcan más bandas espectrales que otros satélites (hasta 36
http://doi.org/10.2174/18 bandas). Recomendamos que el modelado físico y fisiológico (por ejemplo, la EVI)
74923201003010028 evapotranspiración y crecimiento de la biomasa) se desarrollarán para la
teledetección de la salud de los bosques. También se necesitan algunos
sensores adicionales satélite, como para las estimaciones de altas
temperaturas (de hasta 1800 K) y sensores de bandas estrechas. (J. Wang
et al., 2010)
64
resultados se comparan con temperaturas in situ de boyas y las diferencias
van desde <1 a 5 grados centígrados. Se discuten la metodología y los
resultados de la corrección atmosférica.(L. T. Wang & Deliberty, 2005)
Chen, Z., Yin, Q., Li, L., Se recogió una composición de máximo de 10 días de SPOT / VEGETACIÓN Método para el
& Xu, H. (2010). NDVI desde 1998 hasta 2007, para evaluar la salud terrestre de la región de cálculo de vigor
32 Ecosystem Health los ecosistemas a lo largo de la costa de la provincia de Zhejiang.El vigor, la Salud ambiental
organización y
Assessment by using organización y la capacidad de recuperación eran los tres principales resiliencia
remote sensing derived características de la salud del ecosistema, en este documento el NDVI
65
data: A case study of promedio anual representó el vigor, el porcentaje de la vegetación y el (NDVI)
terrestrial region along movimiento del centroide representó la organización, y la pendiente la
the coast in ZheJiang resiliencia. A continuación, el valor integrado de salud se calculó utilizando la
province. IEEE multiplicación de esos indicadores. A continuación, se adquirieron los
Geoscience and Remote resultados de salud de los ecosistemas integrados. Los siguientes resultados
Sensing Letters, 4526– fueron: (1) el vigor general se mantuvo estable en los últimos 10 años, pero
4529. había heterogeneidad espacial; (2) el porcentaje de vegetación disminuye y
el centroide del NDVI se trasladó hacia tierra adentro; (3) la pendiente más
baja distribuida alrededor de las ciudades y la costa, la capacidad de
recuperación de vegetación disminuye; (4) el mejor estado de salud de los
ecosistemas estaban en Fenghua, Pingyang, el peor de los casos estaban en
Shaoxing, Ningbo y Cixi. (Z. Chen et al., 2010)
66
también en 1996, y MODIS sobre EOS en 1998 y 2000). Nuevos índices se
desarrollan que utilizan el canal verde y son resistentes a los efectos
atmosféricos. Un verde NDVI = (ρNIR - ρGreen) / (ρNIR + ρGreen) fue
probado para una gama de Chl-A de 0,3 µg / cm2 a 45 µg / cm2, y se encontró
que un error en la clorofila una derivación a nivel de la hoja de menos de 3 g
/ cm2. El nuevo índice tiene un rango dinámico más amplio que el NDVI y es,
en promedio, al menos cinco veces más sensible a la Chl-a concentración.
Un índice de vegetación atmosféricamente resistente verde (GARI), adaptado
en el concepto de ARVI (Kaufman y Tanré, 1992 en (Gitelson, Kaufman, &
Merzlyak, 1996), se desarrolla y se espera que sea tan resistente a los efectos
atmosféricos como ARVI pero más sensibles a una amplia gama de Cl-a
concentraciones . Mientras que el NDVI y ARVI son sensibles a la fracción de
vegetación y de la velocidad de absorción de la radiación solar fotosintética,
un índice de vegetación verde como GARI debe añadirse para detectar la
concentración de clorofila, para medir la tasa de fotosíntesis y controlar el
estrés vegetal. (Gitelson et al., 1996)
Luoto, M., Toivonen, T., Este trabajo tiene como objetivo estudiar la previsibilidad de los patrones de Predicción de
35 & Heikkinen, R. K. mesoescala de la riqueza de especies de plantas vasculares en un paisaje riqueza de Organización
(2002). Prediction of total agrícola y rivereño finlandés. Utilizando modelos lineales generalizados, especies a partir
67
and rare plant species registros florísticos y las variables ambientales derivadas de las imágenes de imagines
richness from satellite Landsat TM y un modelo de elevación digital, construimos modelos para el Landsat
images and GIS data in número total de especies de plantas y el número de rarezas. Se valida la
agricultural landscapes. exactitud de los modelos derivados con un equipo de prueba de 52 Riqueza
Landscape Ecology, cuadrículas en el área de estudio principal. Los modelos finales explican 46 a
17(3), 195–217. 51% de la variación en los datos de las especies. Extrapolamos los dos
http://doi.org/10.1023/A:1 modelos de la zona de estudio básico para toda el área de estudio de 601
020288509837 km² y La riqueza de especies producidas utilizando los mapas de
probabilidad, usando técnicas de SIG. Los resultados sugieren que los puntos
de acceso locales de flora total (cuadrículas con> 200 especies) se
encuentran principalmente en los valles de los ríos, donde se encuentra un
mosaico agroforestal semiabierto. Los puntos de acceso de especies raras
(cuadrículas con > 4 especies raras) se encuentran principalmente en los
valles de los ríos heterogéneos, en los extensos pastizales seminaturales y
hierbas ricas de bosques de hoja caduca, se producen en pendientes
pronunciadas. (Luoto, Toivonen, & Heikkinen, 2002)
68
basado en la detección espacialmente explícita integral son: (1) tema de
escala; (2) tema facilidad de transporte; (3) la disponibilidad de datos; y (4)
las incertidumbres en los indicadores de salud estimados a partir de los datos
de teledetección. Sin embargo, la constelación Radarsat-2, próximos nuevos
sensores ópticos de datos LiDAR tecnologías mejoradas para la adquisición
y procesamiento de hiperespectral, multi-ángulo óptica, radar Cosmovisión-3
y Sentinel-2 satélites, y, y, y la fusión de datos multi-sensoral puede en parte,
frente a los retos actuales. (Li et al., 2014)
Xu, C., Li, Y., Hu, J., Tanto la productividad primaria neta (NPP) y el índice de vegetación de
Yang, X., Sheng, S., & diferencia normalizada (NDVI) son comúnmente utilizados como indicadores Comparación
Liu, M. (2012). para caracterizar vigor de la vegetación, y el NDVI se ha utilizado como un Índices
38 entre el NDVI y
Evaluating the difference estimador indirecto de la NPP en algunos casos. Para evaluar la fiabilidad de espectrales
PNN
between the normalized dicha subrogación, aquí examinamos la diferencia cuantitativa entre la NPP
difference vegetation y el NDVI en sus resultados de la evaluación del vigor de la vegetación a
69
index and net primary escala de paisaje. El uso de datos de Landsat ETM + y un modelo de proceso,
productivity as the en el simulador de productividad del ecosistema boreal, la distribución del
indicators of vegetation NPP fue asignada a una resolución de 90 m, y el NDVI total durante la
vigor assessment at estación de crecimiento se calculó en la cuenca del río Heihe, en el noroeste
landscape scale. de China en el 2002. Los resultados de la comparación entre los mapas de
Environmental Monitoring clasificación de la NPP y el NDVI muestran que existía una diferencia
and Assessment, 184(3), sustancial en términos de superficie como de la distribución espacia, l entre
1275–1286. los resultados de la evaluación de estos dos indicadores, a pesar de que
http://doi.org/10.1007/s10 están fuertemente correlacionados. Los grados de diferencia pueden ser
661-011-2039-1 influenciados por los esquemas de evaluación, así como el tipo de vegetación
y las ecozonas. En general, el NDVI no es un buen sustituto de la NPP como
los indicadores de evaluación de vigor de la vegetación en el área de estudio.
No obstante, el NDVI podría servir como un indicador sustituto bajo la
condición de que la región objetivo tenga una escasa cobertura vegetal y la
evaluación tenga sistemas de clasificación relativamente gruesas (es decir,
el número de clases es pequeño). Se sugiere que el uso de la PNN y NDVI
debe ser cuidadosamente seleccionada en la evaluación del paisaje. Sus
diferencias necesitan ser más evaluados a través de áreas geográficas y
biomas. (C. Xu et al., 2012)
70
ambiente. Por lo tanto, es el momento de considerar el ecosistema de
pastizales como una entidad de forma sintética y establecer un sistema de
vigilancia de la salud de pastizales integrado para combinar diferentes
aspectos del ecosistema complejo de pastizales. En esta revisión, los
métodos de vigilancia de la salud de pastizales actuales, incluyendo la
evaluación de la salud del pastizal, la evaluación de la salud del ecosistema
y el seguimiento de pastizales por teledetección desde diferentes aspectos,
se analizan junto con las direcciones futuras de evaluación de la salud de los
pastizales. (D. Xu & Guo, 2015)
71
Numerosos estudios han informado sobre la relación entre el índice de
vegetación de diferencia normalizada (NDVI) y el índice de área foliar (LAI),
Wang, Q., Adiku, S., pero la variabilidad estacional y anual de esta relación ha sido menos
Tenhunen, J., & Granier, explorada. Se presenta el estudio de la relación NDVI-LAI a través de los años
A. (2005). On the 1996 a 2001 en un sitio de bosque de hoja caduca. Seis años de patrones
relationship of NDVI with LAI del bosque se estimó utilizando un modelo de transferencia radiativa con
leaf area index in a el aporte de las mediciones del dosel encima y por debajo de la radiación Relación NDVI y
42 deciduous forest site. global, mientras que los conjuntos de datos de NDVI fueron recuperados de LAI en bosques LAI
Remote Sensing of la composición de NDVI de series de tiempo de varias fuentes de caducifolios.
Environment, 94(2), 244– teledetección, a saber NOAA Advanced Very High Resolution Radiometer
255. (AVHRR; 1996, 1997, 1998 y 2000), SPOT VEGETATION (1998-2001), y
http://doi.org/10.1016/j.rs Terra MODIS (2001). El NDVI Compuesto fue utilizado por primera vez para
e.2004.10.006 eliminar el ruido residual basado en un ajustado transformada de Fourier y
obtener las series temporales de NDVI para cada día durante cada año (Q.
Wang, Adiku, Tenhunen, & Granier, 2005)
72
Encontrar un método eficaz para cuantificar cambios en la composición de
especies en el tiempo y en el espacio ha sido una tarea importante para los
ecologistas y biogeógrafos. Recientemente, la exploración de los patrones
florísticos regionales utilizando los datos derivados de imágenes de satélite,
tales como el índice de vegetación de diferencia normalizada (NDVI) ha
dibujado líneas de investigación considerables entre los ecologistas. Los
estudios han demostrado que NDVI podría ser una bastante buena sustituta
para productividades primarias. En este estudio, hemos utilizado los datos de
distribución de plantas en los estados del l Norte y Carolina del Sur para
He, K. S., Zhang, J., &
investigar las correlaciones entre la composición de especies y NDVI dentro
Zhang, Q. (2009). Linking
de eco regiones que se definan mediante la prueba de Mantel y el
variability in species
procedimiento de permutación multi-respuesta (MRPP). Nuestro enfoque
composition and MODIS
analítico implicó la generación de matrices de disimilitud de composición NDVI y
NDVI based on beta
43 mediante el cálculo de las diversidades beta por pares de los 145 condados distribución beta Organización
diversity measurements.
en los dos estados para los datos de distribución de las especies y mediante de especies.
Acta Ecológica, 35(1),
el cálculo de las distancias euclidianas de datos de series temporales de
14–21.
NDVI. Se argumenta que las medidas de diversidad beta toman las
http://doi.org/10.1016/j.ac
diferencias por pares en cuenta de manera explícita y podrían proporcionar
tao.2008.07.006
más información de correlación espacial en comparación con regresiones uni
o multi-dimensionales. Nuestros resultados mostraron una correlación
positiva significativa entre las especies de las matrices de disimilitud de
composición y las matrices de distancia del NDVI. También se encontró por
primera vez que la fuerza de correlación aumentó a un rango taxonómico
inferior. Las mismas tendencias se descubrieron al incorporar la variabilidad
en los patrones fenológicos en el NDVI. Nuestros hallazgos sugieren que la
percepción remota NDVI puede ser viable para el seguimiento de cambios en
la composición de especies a escala regional. (He, Zhang, & Zhang, 2009)
Hofer, G., Bunce, R. G. La relación entre la diversidad de plantas y la variabilidad topográfica en los Análisis de
H., Edwards, P. J., paisajes agrícolas se investigó, con el objetivo de determinar si las unidades composición
Szerencsits, E., Wagner, de paisaje de muestreo de 1 km2 (LU) a través de un gradiente de variabilidad paisajística a
44 H. H., & Herzog, F. topográfica es más eficiente que un diseño aleatorio para evaluar el rango de partir de Organización
(2011). Use of la biodiversidad climáticamente y biogeográficamente en áreas homogéneas unidades de
topographic variability for llamados sub-regiones. Datos representativos de especies vegetales del paisaje
assessing plant diversity programa de monitoreo de la biodiversidad en Suiza fueron analizados establecidas
73
in agricultural cubriendo un amplio gradiente ambiental de cuatro pisos altitudinales y siete
landscapes. Agriculture, regiones biogeográficas. El foco del estudio se estableció en áreas agrícolas,
Ecosystems & pero todo el conjunto de datos se analizó bien para poner las LU’s agrícolas
Environment, 142(3-4), en un contexto general.
144–148.
http://doi.org/10.1016/j.ag Las especies de plantas listas de LU’s se utilizaron para calcular dos
ee.2011.04.011 componentes de la diversidad: ECOrichness, el número de tipos de plantas
ecológicas por LU (como una medida de la diversidad beta) y AGROrichness,
el número de especies de importancia para la conservación de la agricultura.
Los modelos de regresión mixtos se utilizaron para analizar los efectos de la
variabilidad topográfica de las dos componentes de la diversidad vegetal,
incluidas las sub-regiones (áreas con la misma combinación de cinturón
altitudinal y la región biogeográfica) como factor aleatorio. Estos análisis se
realizaron para todo el conjunto de datos (419 LU dentro de 22 sub-regiones)
y para el subconjunto focal de 187 LU agrícolas dentro de los 13 sub-
regiones.
Lawes, R. A., & Wallace, A nivel mundial, las malas hierbas invasoras amenazan los ecosistemas
J. F. (2008). Monitoring agrícolas, naturales y urbanos. En las regiones agrícolas y ganaderas de
an invasive perennial at Australia, las especies invasoras establecen a menudo a una extensa área Monitoreo de
45 the landscape scale with donde el control de malezas se ve obstaculizada por la incapacidad de especies Organización
remote sensing. detectar la ubicación y el momento de un brote. En estos vastos paisajes, se invasoras
Ecological Management requiere una detección y seguimiento sistema eficaz para delinear la
& Restoration, 9(1), 53– extensión de la invasión e identificar los factores espaciales y temporales
74
59. asociados con el establecimiento de malezas y engrosamiento. En este
http://doi.org/10.1111/j.14 estudio, utilizamos una serie temporal de imágenes de teledetección para
42-8903.2008.00387.x identificar los patrones espaciales y temporales de la acacia espinosa (Acacia
nilotica) invasora en las llanuras de hierba de en North Queensland.
Desarrollamos un índice espectral a partir de imágenes Landsat que se aplica
a las imágenes desde 1989 hasta 2004, en combinación con una máscara de
clasificación, para identificar lugares y monitorear los cambios en la densidad
del higo de Acacia a través de 29 000 km2 de las llanuras de hierba de
Mitchell. El enfoque de identificación espectral y firmas temporales
consistente con la infestación acacia espinosa de 1,9% de este paisaje. La
comprobación sobre el terreno de los resultados confirmó la presencia de la
maleza en lugares no registrados anteriormente. El método puede ser
utilizado para evaluar la propagación futura, o resultados de las estrategias
de gestión para la acacia espinosa en este paisaje y podría ser empleado
para detectar y controlar las invasiones en otros paisajes extensos. (Lawes &
Wallace, 2008)
75
entre el NDVI y tanto la riqueza de especies de plantas y el porcentaje de la
cobertura arbórea (con R2 tan alto como 0,87 entre el NDVI y la riqueza total
de la planta y 0,89 para la riqueza anual de la planta). Las imágenes de alta
resolución nos permitieron examinar la heterogeneidad espacial en el NDVI
dentro de nuestros cuadrantes. La riqueza de especies se correlacionó
significativamente con la desviación estándar de los valores del NDVI (pero
no con su coeficiente de variación) dentro de los cuadrantes y entre
imágenes. Al contrario de la riqueza, rareza de tamaño de rango relativa
negativamente con el NDVI en todas las imágenes, siendo este resultado
significativo en la mayoría de los casos. Por lo tanto, dado que son validados
por el trabajo de campo, los índices obtenidos por satélite pueden arrojar luz
sobre la riqueza e incluso patrones de rareza en las montañas, muchos de
los cuales son centros importantes de la biodiversidad. (Levin, Shmida,
Levanoni, Tamari, & Kark, 2007)
76
distribución de un gran número de especies en una variedad más amplia de
tipos de hábitat. Esto está fuertemente limitado por la variación en la
composición de las especies, y mejor aplicada sobre extensiones espaciales
limitadas de decenas de kilómetros cuadrados (Nagendra, 2001).
Explica los patrones de riqueza de las especies de plantas en unos 286 km2
Räsänen, A., Kuitunen,
paisaje fragmentado con una notable influencia humana. El objetivo de este
M., Hjort, J., Vaso, A.,
estudio era doble: para probar la importancia relativa de las medidas de
Kuitunen, T., & Lensu, A.
paisaje, topografía y geodiversidad, y para comparar tres diferentes tipos de
(2016). The role of
paisaje variables en el modelado de riqueza de especies. Por otra parte, se
landscape, topography, Riqueza de
probó si los resultados difieren cuando se consideran solamente las especies
and geodiversity in especies en
nativas. Se utilizó un modelo lineal generalizado de partición basada en la
explaining vascular plant función de la
variación y modelos aditivos generalizados con diferentes conjuntos de
species richness in a topografíay la
48 variables explicativas. El paisaje y la topografía explicaron la mayor parte de Organización
fragmented landscape. geodiversidad
la variación, pero la importancia relativa de la topografía y la geodiversidad
BOREAL
fue de más importancia en la explicación de que la riqueza de especies (CLC
ENVIRONMENT
nativas que en la explicación de la riqueza total de especies. Las diferencias DEM)
RESEARCH, 21, 53–70.
entre las tres variables de tipo de paisaje fueron pequeñas y proporcionaron
Retrieved from
información complementaria. Por último, la topografía y la geodiversidad
http://www.borenv.net/BE
menudo dirigen la acción humana y pueden ser causas últimas detrás de la
R/pdfs/ber21/ber21-
variabilidad del paisaje y los patrones de riqueza de especies. (Räsänen et
053.pdf
al., 2016)
77
http://doi.org/10.1002/rse de plantas, y proporcionar, por primera vez, una visión general de los peligros
2.9 potenciales asociados con el uso indebido de las imágenes de satélite para
predecir la diversidad de especies. Nuestro trabajo muestra que, mientras que
la evaluación de la diversidad alfa es relativamente sencillo, el cálculo de la
diversidad beta (variación en la composición de especies entre los lugares
adyacentes) es un reto, por lo que es difícil estimar con fiabilidad la diversidad
gamma (diversidad total en el paisaje o regional nivel). Llegamos a la
conclusión de que se necesita una mayor colaboración entre las comunidades
científicas de la teledetección y la biodiversidad con el fin de abordar
adecuadamente los desafíos y desarrollos futuros. (Rocchini et al., 2016)
Sun, Y., Piao, S., Huang, Para investigar cómo la eficiencia del ecosistema del uso del agua (WUE)
M., Ciais, P., Zeng, Z., varía espacialmente en diferentes condiciones climáticas, y cómo las
Cheng, L., Zeng, H. variaciones espaciales en el WUE difieren de la transpiración-base del uso
(2016). Global patterns eficiente del agua (WUEt) y la transpiración-base del uso eficiente inherente
and climate drivers of del agua (IWUEt)
water-use efficiency in
terrestrial ecosystems El WUE, WUEt e IWUEt producen diferentes relaciones espaciales con las Uso del agua en
50 deduced from satellite- variables climáticas. En los ecosistemas secos, las pérdidas de agua por los ecosistemas Organización
based datasets and evaporación desde el suelo desnudo, sin correlación con la productividad, terrestres
carbon cycle models. tienden a hacer que los WUE sean más bajos que en las regiones más
Global Ecology and húmedas. Sin embargo, la conductancia del dosel es intrínsecamente
Biogeography, 25(3), eficiente en esos ecosistemas y mantiene un alto IWUEt. Esto sugiere que
311–323. las respuestas de cada componente de flujo de evapotranspiración deben
http://doi.org/10.1111/ge analizarse por separado en la investigación de los gradientes regionales en
b.12411 el WUE, su variabilidad temporal y sus tendencias (Sun et al., 2016)
Wilkes, P. T. V. (2016, La atribución de la estructura del bosque forma parte integrante de las
January 13). Assessment obligaciones de vigilancia e información internacional con respecto a la Técnicas de
of forest canopy vertical gestión sostenible de los bosques. Por otra parte, la información detallada teledetección
structure with multi-scale sobre la estructura del bosque permite a los administradores de tierras para el manejo
51 remote sensing: from the forestales y científicos para determinar la capacidad de los bosques para Organización
forestal
plot to the large area. proporcionar servicios de los ecosistemas. Actualmente, la atribución de
University of Twente, bosque se consigue utilizando una red de parcelas de inventario forestal Lidar
Enschede, The visitadas periódicamente. Este enfoque comprende una muestra escasa,
Netherlands. Retrieved tanto temporal como espacialmente, que pueden no captar la variación en la
78
from estructura del bosque. Esto es particularmente cierto en los bosques nativos
http://www.itc.nl/library/p dinámicos donde la variabilidad en la estructura del bosque puede ser alto.
apers_2016/phd/wilkes.p En los últimos años gracias a la capacidad de las técnicas de teledetección
df ha realizado para aplicaciones de manejo forestal sostenible. Las ventajas de
un enfoque de teledetección incluyen sinóptica y cobertura temporal alta, así
como la reducción de costes para el usuario final. Por otra parte, el reciente
avance en los sensores activos, tales como Light Detection and Ranging
(LIDAR) han permitido la medición de bosque tridimensionalmente detallando
la estructura en amplias zonas. (Wilkes, 2016)
79
obtener un mejor conocimiento de la dinámica de la vegetación post fuego
sobre grandes regiones y períodos de tiempo largos.(Díaz-Delgado, Lloret,
Pons, & Terradas, 2002)
80
utilizarse para valorar y controlar los cambios en los servicios de los
ecosistemas? ¿Cómo puede la teledetección ser utilizada para monitorear y
evaluar la eficacia de los esfuerzos de conservación? ¿De qué manera la
expansión e intensificación de la agricultura y la acuicultura alteran los
ecosistemas y los servicios que prestan? ¿Cómo pueden los sensores
remotos utilizarse para determinar el grado en que los ecosistemas están
siendo alterados o degradados y los efectos de estos cambios en las especies
y funciones de los ecosistemas? (Rose et al., 2015)
81
Este estudio examina cómo los datos de series temporales del verdor de la
vegetación basados en satélites y las mediciones fenológicos se pueden
utilizar para monitorear y cuantificar la recuperación de la vegetación tras los
disturbios de incendios forestales y examinar cómo las trayectorias de
recuperación de la severidad del fuego pre-fuego de reducción de
combustible tratamientos de restauración impacto y la vegetación impacto.
Fueron elegidos, pares de sitios de incendios forestales afectados y un sitio
de referencia no quemado en las inmediaciones, para medir la recuperación
posterior a la perturbación en relación con la variación del clima. Todos los
pares de estaciones fueron elegidos en las tierras altas forestales en Arizona
y se limitaron a la zona del incendio de Rodeo-Chediski que se produjo en
2002. Los tratamientos de reducción de combustible se realizaron en 1999 y
van Leeuwen, W. J. D. 2001. Las dinámicas de las vegetaciones inter-anuales y estacionales antes,
(2008). Monitoring the durante y después de los incendios forestales pueden ser monitorizadas Enfoque para
Effects of Forest evaluar los
utilizando una serie temporal de cada dos semanas compuesta MODIS-NDVI
Restoration Treatments (imágenes de resolución moderada de espectrorradiómetro –Índice de cambios en la
on Post-Fire Vegetation Diferencia normalizada Vegetation) de datos. Los métodos de análisis de dinámica de la
55 Recovery with MODIS series temporales incluyen métricas de diferencia, filtros de suavizado y vegetación post- Resiliencia
Multitemporal Data. incendio
funciones de ajuste que se aplicaron para extraer cambio estacional e
Sensors, 8(3), 2017– interanual y métricas fenológicos a partir de los datos de series temporales NDVI
2042. de NDVI de 2000 a 2007. Antes y datos de Landsat post-incendio se utilizaron
http://doi.org/10.3390/s80 para calcular el índice de Proporción normalizada de incendio (NBR) y MODIS
32017 examinar la gravedad de la quemadura en los sitios seleccionados. Las
métricas fenológicos (feno-métrica) incluyen la sincronización y verdor (es
decir NDVI) para el inicio, pico y final de la temporada de crecimiento, así
como medidas representativas de la tasa de reverdecimiento y la senescencia
y la productividad anual de la vegetación. Los tratamientos de reducción de
combustible previa al incendio provocado gravedad de los incendios más
baja, lo que redujo la productividad anual mucho menor que las áreas no
tratadas dentro del perímetro del incendio de Rodeo-Chediski. Las métricas
de temporada demostraron ser útiles para estimar la tasa de recuperación de
las perturbaciones post-incendio y el momento de las fases fenológicas de
verdor. El uso de datos de series de tiempo de NDVI por satélite y derivados
fenotipos-métricas muestran potencial para el seguimiento de la dinámica de
la cobertura vegetal y los cambios de sucesión en respuesta a la sequía, las
82
perturbaciones de los incendios forestales, y los tratamientos de restauración
forestal en los bosques ha suprimido el fuego.(van Leeuwen, 2008)
83
de datos de uso del suelo actual (escala 1:10.000) hace que sea un mejor
candidato para la evaluación de la salud del ecosistema que los recursos de
datos tradicionales. Este estudio también demuestra los numerosos
beneficios de la combinación de bases de datos de uso de la tierra con las
funciones de SIG para evaluar la salud de los ecosistemas a escala de
condado (Yu et al., 2013)
84
debido a la supresión del crecimiento de la vegetación por la sequía. (Zhou
et al., 2014)
Running, S. W., Nemani, Hasta hace poco, el control continuo de la productividad global de la
R. R., Heinsch, F. A., vegetación no ha sido posible debido a las limitaciones tecnológicas. En este GPP y NPP
60 Zhao, M., Reeves, M., & artículo se presenta un nuevo monitor base satelital de la biosfera mundial Vigor
Hashimoto, H. (2004). A que calcula regularmente la producción primaria bruta diaria (GPP) y la MODIS
continuous satellite- producción primaria neta anual (NPP) a 1 kilómetros (km) de resolución sobre
derived measure of 109782756 km2 de superficie de tierras con vegetación. Se resume la historia
85
global terrestrial primary de la ciencia mundial del NPP, así como la derivación de este cálculo, y la
production. BioScience, actividad de producción de datos actual. Los primeros datos sobre la NPP de
54(6), 547–560. la EOS (Earth Observing System) MODIS (espectrorradiómetro de imágenes
Retrieved from de resolución moderada) del sensor son presentados con diferentes tipos de
https://www.scopus.com/ validación. Ofrecemos ejemplos de cómo este nuevo tipo de conjunto de
record/display.uri?eid=2- datos puede servir a la ciencia ecológica, gestión de la tierra, y la política
s2.0- ambiental. Para mejorar el uso de estos datos por los no especialistas, ahora
2942618334&origin=inwa estamos produciendo mapas de anomalías mensuales de GPP y NPP anual
rd&txGid=0 que comparan el valor actual con un valor promedio de 18 años para cada
píxel, identificando claramente las regiones donde el crecimiento de la
vegetación es más alta o más baja de lo normal. (Running et al., 2004)
Los bosques secos tropicales son uno de los tipos de bosques más
amenazados del mundo. Actualmente no existen datos comparativos sobre
Gillespie, T. W. (2011). la extensión o los niveles de riqueza de especies de fragmentos de bosque
Predicting Woody-Plant restante. Esta investigación identifica las medidas del paisaje y los índices
Species Richness in espectrales que se pueden aplicar en el nivel de parcelas y el parche para
Tropical Dry Forests : A predecir la riqueza de especies leñosas de plantas en los bosques tropicales
Case Study from South secos. Este estudio se realizó en 18 unidades de bosque seco tropical con
PREDICTING WOODY- nueve sitios en los Cayos de Florida y nueve sitios dentro de una matriz
PLANT SPECIES urbano-agrícola en la Florida continental, EE.UU. Las especies de plantas Riqueza en
RICHNESS IN leñosas riqueza se cuantificó en el nivel de soporte (transectos de banda total bosques secos
TROPICAL DRY de 500 m2) y nivel de parche (datos de presencia / ausencia de 65 plantas tropicales a partir
61 de NDVI Organización
FORESTS : A CASE tropicales nativas ≤ 2.5 cm DAP) para todos los sitios de estudio. Las
STUDY FROM SOUTH imágenes satelitales Landsat (píxeles de resolución 30 x 30 m) Enhanced Bosques Secos
FLORIDA, USA. Thematic Mapper Plus (ETM+) se utilizaron para evaluar la utilidad de las Tropicales
Ecological Applications, medidas del paisaje (área parche de bosque, distancia del vecino más
15(1), 27–37. Retrieved cercano, índice de forma, la complejidad límite) y los índices espectrales de
from vegetación (Índices de vegetación de diferencia normalizada [NDVI] durante
https://www.researchgate 9 píxeles y 500 píxeles directamente sobre los transectos, y todos los píxeles
.net/publication/2808011 del área de la zona forestal) para predecir la riqueza de especies de la unidad-
66 y nivel de parche. Las 18 unidades de bosque seco tropical en la muestra en
este estudio se incluyeron a 4248 plantas leñosas, que representan 71 de
las especies.
86
Las Islas de los Cayos de Florida tenían niveles más altos de especies
leñosas de las plantas de riqueza que los sitios del continente. Hubo una
relación positiva significativa entre el promedio de NDVI para los nueve
píxeles sobre cada unidad y la unidad de riqueza de especies, y una relación
negativa entre la riqueza de especies y la desviación estándar del NDVI para
los nueve pixeles sobre cada unidad.
Ariza, A., Garcia, S., El siguiente articulo describe el prototipo de un modelo automático de Modelo CAIN
Rojas, S., & Ramirez D., corrección de imágenes de satélite para la extracción automática de cuerpos Índices
63
M. (2014). Desarrollo de de agua, denominado: “CAIN” (Corrección Atmosférica e Índices de Fisher espectrales
un modelo de corrección inundación), desarrollado bajo plataforma de procesamiento del Software PCI
87
de imágenes de satélite Geomatica 2013 en el marco de la asistencia técnica prestada a la
para inundaciones: Corporación Colombiana de Investigación Agropecuaria (CORPOICA) y que
(CAIN -Corrección a su vez se hace parte de la iniciativa de la red UN-SPIDER1 para el manejo
Atmosférica e Índices de de la información espacial para la gestión y respuestas a desastres y
Inundación). Centro de emergencias. El modelo CAIN permite automatizar procesos tales como la
Investigación Y conversión de niveles digitales (NDs) a unidades absolutas de radiancia
Desarrollo En espectral (Lsat) y reflectancia real de superficie (REF). Proporcionando una
Información Geográfica base para la comparación estandarizada de datos tanto en una escena como
Del IGAC -CIAF, 1–10. entre imágenes adquiridas de diferentes fechas y sensores, con el fin de
Retrieved from determinar mediante técnicas de teledetección los niveles y áreas inundadas
http://www.un-spider.org/ analizadas a través de índices radiométricos de vegetación y agua. Este
trabajo se confirma como una gran herramienta en el análisis y comparación
de cuerpos de agua, a la vez que permite la elaboración de mapas de cambio
para determinar las áreas afectadas por inundaciones, aportando con ello una
valiosa información a los gestores para la caracterización y conocimiento del
estado actual de los efectos de cambio climático. (Ariza, Garcia, Rojas, &
Ramirez D., 2014)
88
resultado, el NDWI es sensible a los cambios en contenido de agua del dosel
de la vegetación. Los efectos de la dispersión del aerosol atmosférico en la
región de 0,86 a 1,24 µm son débiles. El NDWI es menos sensible a los
efectos atmosféricos que el NDVI. El NDWI no elimina por completo los
efectos de reflectancia fondo de suelo, similar a NDVI. Debido a que la
información sobre el dosel de la vegetación contenida en el canal 1,24 µm es
muy diferente de la contenida en el canal rojo cercano a 0,66 µm; el NDWI
debe ser considerado como un índice de vegetación independiente. Es
complementario, y no un sustituto de NDVI. (Gao, 1996)
89
Una técnica de transformación se presenta para minimizar las influencias de
brillo del suelo a partir de los índices espectrales de vegetación que implican
longitudes de onda roja e infrarroja cercana (NIR). Gráficamente, la
transformación implica un desplazamiento del origen de los espectros de
Huete, A. R. (1988). A reflectancia trazada en el espacio de longitudes de onda NIR-Rojo para dar
soil-adjusted vegetation cuenta de primer orden interacciones suelo-vegetación y la diferencial roja y
index (SAVI). Remote NIR flujo de extinción a través de dosel de la vegetación. Para los doseles del
Índices
66 Sensing of Environment, algodón (Gossypium hirsutum L. var DPI-70) y una variedad de pastos SAVI
espectrales
25(3), 295–309. (Eragrostics lehmanniana Nees), sustentada con diferentes orígenes del
http://doi.org/10.1016/00 suelo, la transformación casi se eliminó las variaciones del suelo inducida en
34-4257(88)90106-X los índices de vegetación. Posteriormente, se presenta una base física para
el índice de vegetación ajustado al suelo (SAVI). El SAVI resultó ser un paso
importante hacia el establecimiento de simple modelo "global" que puede
describir el sistema suelo-vegetación dinámico a partir de datos obtenidos por
teledetección. (Huete, 1988)
90
Los índices espectrales de vegetación han sido los principales recursos para
la caracterización de la vegetación herbácea con base en los datos de
teledetección. Sin embargo, el uso de índices espectrales para la
caracterización de la vegetación en las praderas ha sido cuestionado por los
efectos de confusión de los factores externos, tales como las propiedades del
suelo, materiales muertos, y el sombreado de coberturas vegetales. Los
materiales muertos se refieren al componente de la vegetación muerta,
incluidos la hojarasca caída y las hierbas muertas acumuladas de años
anteriores. Los materiales muertos abundantes han estado presentando
desafíos para estimar con precisión la vegetación verde utilizando índices
espectrales de vegetación (VI’s) derivados de los datos de teledetección en Respuesta
los pastizales mixtos. Por lo tanto, es necesario una investigación cerca de la espectral de VI’s
Yang, X., & Guo, X. relación entre VIs y materiales muertos. Las relaciones identificadas podrían a materiales
(2014). Quantifying proporcionar una mejor comprensión de no sólo el uso de datos de muertos en
responses of spectral teledetección para la estimación cuantitativa de materiales muertos, sino pastos
vegetation indices to también la mejora de la estimación de la vegetación verde en la pradera mixta
dead materials in mixed que tiene una alta proporción de materiales muertos. En este artículo, la NDVI Índices
68 reflectancia espectral de materiales muertos y mezclas de vegetación verde MSAVI
grasslands. Remote espectrales
Sensing, 6(5), 4289– y cobertura de material muerto se midieron en pastizales mixtos, situados en SAVI
4304. el Grassland National Park (GNP), Saskatchewan, Canada. Nueve VI’s se ATSAVI
http://doi.org/10.3390/rs6 derivaron de la reflectancia espectral medida. La relación entre la cobertura y L-ATSAVI
054289 el material muerto en los VI’s se cuantificó utilizando el modelo de regresión EVI
y análisis de sensibilidad. Los resultados indicaron que la relación entre la WDVI
cobertura de material muerto y el VI’s está una función de la cantidad de TVI
cobertura de material muerto. Se encontró una relación positiva débil entre
VI’s y los materiales muertos donde la cobertura era inferior al 50%, y una
alta relación negativa significativa evidente cuando la cobertura fue mayor del
50%. Cuando se aplicó el modelo exponencial y lineal combinado para
adaptarse a las relaciones negativas, la variación más del 90% en la
cobertura de material muerto podría explicarse por VI’s. El análisis de
sensibilidad se aplicó además a los modelos desarrollados, lo que indica que
las sensibilidades de todos los VI’s fueron significativas en todo el rango de
cobertura de material muerto a excepción del índice de vegetación triangular
(TVI), que tiene una sensibilidad insignificante cuando la cobertura material
muerto fue mayor que 94%. Entre todos los VI’s, el índice de vegetación de
91
diferencia ponderada (WDVI) presentó la mayor sensibilidad a los cambios
en el material muerto de cobertura superior al 50%. Los resultados de este
estudio indicaron que los índices de vegetación sobre la base de la
combinación de la reflectancia en bandas rojas y NIR se pueden utilizar para
estimar la cobertura material muerto que es mayor que 50%. (Yang & Guo,
2014)
Libonati, R., de Portugal A pesar de la Amazonia brasileña, junto con la región del Cerrado presenta Análisis de zonas
e Castro da Camara, C. uno de los mayores números de ocurrencias de eventos de fuego, casi no quemadas
do C., Pereira, J. M. C., hay estudios con el objetivo de diseñar el área quemada (BA) indicadores Índices
70
& de Faria Peres, L. específicamente para esta región se han intentado. Este tema es de particular VW espectrales
(2011). Discriminating interés ya que la exactitud de los mapas de BA está estrechamente NDVI
burned areas in Amazon relacionado con las características del lugar (por ejemplo, pre-fuego tipo y las VI20
92
and Cerrado regions condiciones de cobertura de suelo, suelo de fondo, la severidad del fuego, los BAI20
using MIR/NIR procesos de post-incendio, y las condiciones atmosféricas) y Además, los GEMI
information. Anais XV umbrales de índice son a menudo subjetivos o varían de una región a otra. GEMI20
Simpósio Brasileiro de De acuerdo con ello, un nuevo índice espectral, diseñado específicamente
Sensoriamento Remoto, para la discriminación de la tierra quemada en las regiones Amazonas y
(Pereira 1999), 8020– Cerrado utilizando el dominio espectral media / infrarrojo cercano, fue
8027. Retrieved from probado en conjuntos de imágenes de resolución moderada (MODIS). La
http://marte.dpi.inpe.br/co utilidad del nuevo índice de discriminación de tierra quemada se evaluó frente
l/dpi.inpe.br/marte/2011/0 a otros índices espectrales ampliamente usados: Índice de Vegetación de
6.30.12.48/doc/p1044.pdf Diferencia Normalizada (NDVI), Índice de Área Quemada (BAI) y Índice
\npapers3://publication/u Global de Monitoreo Ambiental (GEMI), definido en el espacio de Red/ NIR;
uid/F5C4EBA4-1C45- y la versión modificada por ellos, a saber VI20, BAI20 y GEMI20 define en el
47A9-83D5- espacio medio / infrarrojo cercano del sensor MODIS. La capacidad de cada
8CDDC36C8451 índice para discriminar entre las superficies quemadas y no quemadas se
evaluó por medio de un índice de discriminación. El nuevo propuesto (V, W)
índice funciona mejor que los índices tradicionales en los tres casos
analizados, con la ventaja de que no requieren máscaras de agua, lo que no
es cierto para los índices restantes. (Libonati, de Portugal e Castro da
Camara, Pereira, & de Faria Peres, 2011)
93
Desarrolló un método directo para estimar la humedad del combustible fino
(LFFM), por la alta resolución de las mediciones de reflectancia de plantas
terrestres en las regiones visible e infrarrojo cercano. El NDVI y WI (R970 /
R900) fueron los índices de reflectancia utilizados debido a que proporcionan
la mejor estimación de LFFM. El rendimiento del método se evaluó (1) por
medición mensual de la reflectancia de las plantas y LFFM en plantas adultas
Piñol, J., Filella, I., que crecen en el campo, y (2) en un experimento llevado a cabo la desecación
Ogaya, R., & Peñuelas, con las plantas de semillero en macetas en un túnel de plástico. Las especies
J. (1998). Ground-based estudiadas en el sitio de campo consistieron en dos arbustos de raíces Método para la
spectroradiometric profundas (Arbutus unedo y Quercus coccifera), dos arbustos de poca estimación de la
estimation of live fine fuel profundidad de raíces (Cistus albidus y C. monspeliensis), y una hierba humedad del
moisture of (Brachypodium retusum). Las especies estudiadas en condiciones combuistible fino Índices
72
Mediterranean plants. experimentales fueron dos árboles (Pinus halepensis y P. ilex), y seis directo espectrales
Agricultural and Forest arbustos (Arbutus unedo, Q. coccifera, C. albidus, C. monspeliensis, Phillyrea
Meteorology, 90(3), 173– angustifolia, y Pistacia lentiscus). Durante la desecación, la cubeta 970 nm NDVI
186. tiende a desaparecer (por consiguiente, el WI aumenta), y la reflectancia en WI
http://doi.org/10.1016/S0 el rojo aumentó (en consecuencia, el NDVI disminuye). Los dos índices de
168-1923(98)00053-7 reflectancia NDVI y WI se correlacionaron significativamente con LFFM
cuando todas las especies se consideran en conjunto y dentro de la mayor
parte de las especies individuales, tanto en el campo como en las plantas de
semillero en macetas. Proponemos un método que consiste en una sencilla
medición de la reflectancia de la planta en el radiómetro a 680, 900 y 970 nm,
que podrían acelerar la medición de LFFM, y que podría ser útil en la
evaluación del riesgo de incendios (Piñol, Filella, Ogaya, & Peñuelas, 1998)
94
7. METODOLOGÍA
95
7.1. Índices Espectrales Seleccionados.
7.1.1. NDVI
Planteado por Rouse & Hass (1973), el índice de Vegetación de Diferencia Normalizada,
es el VI’s más utilizado para determinar el vigor vegetal de una zona (Chuvieco, 2010).
𝜌𝑁𝐼𝑅 − 𝜌𝑅
𝑁𝐷𝑉𝐼 =
𝜌𝑁𝐼𝑅 + 𝜌𝑅
Dónde 𝜌𝑁𝐼𝑅 y 𝜌𝑅 indican las reflectividades de los pixeles en la banda del infrarrojo cercano
y del rojo respectivamente.
Un aspecto de gran interés del NDVI, es que varía entre unos márgenes conocidos, entre -
1 y +1, lo que facilita su interpretación; se puede señalar como un umbral crítico para
coberturas vegetales un valor de NDVI en torno a 0.1 y para la vegetación densa entre 0.5
y 0.7 (Holben, 1986; citado en Chuvieco, 2010).
Entre los parámetros que se han relacionado con el NDVI se encuentran (Chuvieco,
2010):
I. El contenido de clorofila en la hoja, es la variable más directamente relacionada con
este índice, ya que la absorción de la banda R, está nítidamente influida por este
parámetro, mostrando una relación linealmente positiva con la cantidad de clorofila
en la hoja.
III. Flujo neto de CO2 tanto a nivel local (Hall et al., 1991), como global (Tucker et al,
1986).
IV. Radiación fotosintéticamente activa absorbida por la planta, fPAR, con una relación
directa casi lineal (Asrar et al., 1989), especialmente cuando las hojas son
horizontales y el suelo es suficientemente oscuro (Seller, 1989)
VI. Índice de Área Foliar, LAI, que representa una asociación positiva con el NDVI,
especialmente cuando la vegetación no cubre totalmente el suelo, ya que ciertos
valores de LAI (por encima de 4 habitualmente), el NDVI se satura (Baret, 1995;
Seller, 1989).Relacionado con el LAI, se ha comprobado una alta correlación entre
NDVI y porcentaje de cobertura verde (Kennedy et al., 1994; Kerr et al., 1992)
96
7.1.2. SAVI
7.1.3. MSAVI
El Índice de Vegetación Suelo-Atmosfera propuesto por Qi, Kerr, et al., (1994), el cual
combina el MSAVI y el ARVI
97
(2 ∗ 𝜌𝑁𝐼𝑅 + 1)2 − √[(2 ∗ 𝜌𝑁𝐼𝑅 + 1)2 − 8(𝜌𝑁𝐼𝑅 − 𝜌𝑅𝐵 )]
𝐴𝑆𝑉𝐼 =
2
7.1.7. GEMI
El Global Environmental Monitorin Index, fue formulado específicamente para reducir los
efectos relativos de las perturbaciones atmosféricas no deseados, manteniendo al mismo
tiempo la información acerca de la cobertura vegetal (Pinty & Verstraete, 1992)
7.1.8. SR
El Cociente de Vegetación (Krieger et al., 1969), el cual es una relación entre la reflectancia
del NIR contra la reflectancia del Rojo
𝜌𝑁𝐼𝑅
𝑆𝑅 =
𝜌𝑅
7.1.9. NDWI
98
7.1.11. GARI
7.1.12. SARVI2
2.5 ∗ (𝜌𝑁𝐼𝑅 − 𝜌𝑅 )
𝑆𝐴𝑅𝑉𝐼2 =
(1 + 𝜌𝑁𝐼𝑅 + 6 ∗ 𝜌𝑅 − 7.5 ∗ 𝜌𝐵 )
99
NDVI
(Gitelson et al., Técnica para la estimación del LAI
VARI
2003) en cultivos de maíz
LAI
Modificación del NDVI para análisis
y cartografía de la distribución
(Gitelson, 2004) temporal y espacial de las WDRVI
características fisiológicas de la
vegetación
(Jackson et al., Proporcionar una estimación VWC NDVI
2004) (contenido de agua de vegetación) NDWI
Relación del NDVI y LAI en bosques NDVI
(Q. Wang et al., 2005)
deciduos LAI
NDVI
(Kemerer, A.; Di
evaluar la sensibilidad de distintos GNDVI
Bella, C.; Melchiori,
índices espectrales al Índice de Área MSAVI
R.; Benech, A.; y
Foliar (LAI) en canopeos de maíz REIP
Alvarez, 2007)
R/R
SVI / RVI (SR)
RAT57
NDVI
TVI
DVI
PVI
Examen de índices de vegetación WDVI
(VI’s) en la estimación de saltbush SAVI
(Y. Chen & Gillieson,
(arbustos salinos) y la cobertura total IPVI
2009)
de la vegetación en ambientes de SAVI2
pastizales semiáridos MSAVI
SRVI
SRVI2
SRVI3
MVI
MVI2
MVI3
Examen de la diferencia cuantitativa
entre la NPP y el NDVI en sus NDVI
(C. Xu et al., 2012)
resultados de la evaluación del vigor NPP
de la vegetación a escala de paisaje
Uso de índices espectrales y la NDVI
textura de las imágenes para la RVI
(Gu et al., 2013)
determinación de la VFC (fracción SAVI
de cobertura vegetal) ARVI
La búsqueda y descarga de imágenes se hizo a través del servicio del Earth Explorer
perteneciente a U.S. Geological Survey, seleccionando dos imágenes del sensor Landsat
100
8, una para la época de invierno y otra para verano (Tabla 11). La selección de las escenas
(Imagen 9 e Imagen 10) se realizó teniendo en cuenta la climatología predominante de la
Sierra Nevada de Santa Marta (Arango et al., 2014; D. Guzmán et al., 2014)
Tabla 11. Información de las imágenes satelitales utilizadas. Fuente: (U.S. Geological Survey (USGS) Earth Resources
Observation and Science (EROS) Center, 2016a, 2016b)
Invierno Verano
101
Imagen 9. Época Invierno; Landsat 8, 09-52, 2013-11-21, color real con mejoramiento adaptativo en el software PCI 2015.
Fuente: Autor
102
Imagen 10. Época Verano; Landsat 8, 09-52, 2016-01-14, color real con mejoramiento adaptativo en el software PCI 2015.
Fuente: Autor
Los datos fueron descargados a través del servicio Earth Explorer adscrito al U.S.
Geological Survey. Los DEM’s SRTM 1 Arc-Second Global, son de una resolución de 30
metros aproximadamente (Imagen 11). Se descargaron cuatro imágenes en formato .TIFF
para la cobertura total de la zona. En la Tabla 12, se evidencian los detalles de las
imágenes. Posteriormente se realizó un mosaico con las cuatro imágenes, subsanando los
vacíos de información con la interpolación de datos de elevación, para disminuir el error por
ausencia de datos.
103
Tabla 12. Información DEM's. Fuente: (U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), &
National Aeronautics and Space Administration (NASA), 2016a, 2016b, 2016c, 2016d)
Código Fecha de Adquisición Resolución
SRTM1N11W075V3 11-FEB-2000 1-Arc ( ≈30 m)
SRTM1N11W074V3 11-FEB-2000 1-Arc ( ≈30 m)
SRTM1N10W075V3 11-FEB-2000 1-Arc ( ≈30 m)
SRTM1N10W074V3 11-FEB-2000 1-Arc ( ≈30 m)
Imagen 11. Mosaico del Modelo Digital de Elevación de la Sierra Nevada de Santa Marta. Visualización en software ArcGIS
10.3. Fuente: Autor.
104
7.3. Correcciones de la Imagen
Los datos del sensor Landsat 8 descargables de nivel L1T (Productos de Nivel 1 Terrain)
consisten en productos de datos L1R (Productos de Nivel 1 Radiometric) con correcciones
geométricas sistemáticas aplicadas, utilizando para ello puntos de control terrestre (GCP)
o información de posición integrada a bordo para entregar una imagen registrada a una
proyección cartográfica, referenciada a WGS84, G873, o a su versión actual.
Adicionalmente los datos también contienen una corrección topográfica por el
desplazamiento del terreno debido al relieve (Ariza, 2013).
Imagen 12. Invierno, sin corrección atmosférica. Falso Imagen 13. Invierno, ATCOR3. Falso Color Landsat 8
Color Landsat 8 Bandas 5/4/3 Fuente: Autor Bandas 5/4/3. Fuente: Autor
105
Imagen 15, se observan las imágenes de la época de invierno y verano, después del
proceso de extracción de nubes y cuerpos de agua.
Imagen 14. Escena invierno. Falso color 5/4/3. Fuente: Imagen 15. Escena verano. Falso color 5/4/3. Fuente:
Autor Autor
El corte del área de procesamiento se realizó a partir del shape del área del PNN Sierra
Nevada de Santa Marta obtenido del servicio de información geográfica del ANLA
(http://sig.anla.gov.co:8083/); discriminando entre los Orobiomas de la Selva Andina,
Subandina y el Orobioma de páramo (Imagen 16); este último excluido del estudio puesto
presenta unas condiciones particulares de vegetación, que no son representados a través
de los índices de vegetación usuales como lo presentan Arenas y Nieto (2015). El corte del
área es realizado para minimizar el uso de recursos del hardware, ya que la operación
completa de las imágenes satelitales implica una alta capacidad de procesamiento
El cálculo de índices de Vegetación se realizó a través del Software PCI Geomática con la
herramienta EASY model, permite realizar operaciones matemáticas entre las diferentes
bandas de una imagen raster con formato PCIDSK FILE (.pix), obteniendo los siguientes
resultados para las imágenes de invierno y verano (Tabla 13).
106
Imagen 16. Área del PNN Sierra Nevada de Santa Marta y Tipos de Biomas de la zona. Fuente: Autor.
107
Tabla 13. Índices Espectrales de Vegetación. Fuente: Autor
108
SAVI Invierno - Verano
109
MSAVI Invierno - Verano
110
ARVI Invierno - Verano
111
SARVI Invierno - Verano
112
ASVI Invierno - Verano
113
GEMI Invierno - Verano
114
SR Invierno - Verano
115
NDWI Invierno - Verano
116
GNDVI Invierno - Verano
117
GARI Invierno - Verano
118
SARVI2 Invierno - Verano
119
7.7. Segmentación de la Información en función de los Biomas
La Información de invierno y verano fue dividida a partir del nivel 3 de la Capa CLC, con las
herramientas de análisis de imágenes del software ArcGIS 10.3., para su posterior análisis
estadístico.
120
8. ANÁLISIS DE RESULTADOS
Los resultados de los índices espectrales calculados para las épocas de invierno y verano,
se les realizó un diferencia de los valores promedio de la totalidad del área de trabajo, como
luego se procedió de la misma forma en la división por biomas y en la clasificación CLC;
finalmente se realizó una división teniendo en cuenta los biomas y la clasificación CLC. A
continuación se presenta los resultados de las diferencias de promedio:
121
SARVI2 0,3139 34,5854 0,1086 -0,1052 0,8408
Los índices espectrales que mayor cambio presentaron fueron el MSAVI, SARVI, ASVI y
SARVI2; con valores de 11,94%, 14,57%, 14,70% y 14,20% respectivamente como se
evidencia en la Tabla 16; sin embargo, los índices espectrales con menor desviación
estándar en los periodos de invierno y verano son GNDVI y GARI (Tabla 14 y Tabla 15).
Los índices espectrales que menor sensibilidad presentaron fueron el NDVI, GNDVI, NDWI,
GEMI y SR, con valores de 4, 36%, 0,72%, 0,72%, 6,06% y 6,92% respectivamente (Tabla
16); ellos muestran una menor variación al cambio de las condiciones climáticas y
vegetales.
Invierno
Orobioma Alto de Santa Orobioma Medio de Santa Orobioma Bajo de
Marta Marta Santa Marta y Macuira
X S X S X S
NDVI 0,5123 0,0873 0,5632 0,0948 0,6159 0,0783
SAVI 0,2905 0,0893 0,3299 0,0996 0,3750 0,0930
MSAVI 0,6145 0,2473 0,6967 0,2661 0,7966 0,2607
ARVI 0,4851 0,0972 0,5383 0,1063 0,5912 0,0907
SARVI 0,2629 0,0899 0,3017 0,1017 0,3419 0,0963
ASVI 0,5839 0,2426 0,6635 0,2626 0,7552 0,2579
GEMI 0,5966 0,1172 0,6333 0,1235 0,6785 0,1143
SR 3,2391 0,7896 3,7959 1,0272 4,4124 1,0379
122
NDWI -0,5104 0,0733 -0,5551 0,0779 -0,6037 0,0624
GNDVI 0,5104 0,0733 0,5551 0,0779 0,6037 0,0624
GARI 0,4380 0,0829 0,4807 0,0912 0,5186 0,0794
SARVI2 0,3180 0,1101 0,3586 0,1206 0,4005 0,1129
Tabla 18. . Valores de VI’s para los biomas en Verano. Fuente: Autor.
Verano
Orobioma Alto de Santa Orobioma Medio de Santa Orobioma Bajo de
Marta Marta Santa Marta y Macuira
X S X S X S
NDVI 0,5170 0,1000 0,5488 0,1022 0,5887 0,0895
SAVI 0,2858 0,0931 0,3072 0,0993 0,3436 0,0942
MSAVI 0,5847 0,2299 0,6249 0,2420 0,7102 0,2420
ARVI 0,4790 0,1164 0,5017 0,1265 0,5400 0,1147
SARVI 0,2493 0,0943 0,2607 0,1028 0,2886 0,0986
ASVI 0,5449 0,2242 0,5733 0,2370 0,6462 0,2368
GEMI 0,5823 0,1128 0,6000 0,1190 0,6407 0,1136
SR 3,3198 0,8871 3,6553 1,0071 4,0799 1,0314
NDWI -0,5241 0,0822 -0,5619 0,0805 -0,6086 0,0657
GNDVI 0,5241 0,0822 0,5619 0,0805 0,6086 0,0657
GARI 0,4257 0,0969 0,4351 0,1039 0,4629 0,0930
SARVI2 0,2988 0,1060 0,3107 0,1106 0,3404 0,1044
Tabla 19. Diferencia entre los biomas en las temporadas de invierno - verano. Fuente: Autor.
123
El área de estudio fue segmenta en 3 biomas: Orobioma Alto de Santa Marta (OASM),
Orobioma Medio de Santa Marta (OMSM) y Orobioma Bajo de Sata Marta y Macuira
(OBSMM) (Tabla 17 y Tabla 18). Los índices espectrales que mayores variaciones
presentaron fueron ASVI (6,69%), SARVI2 (6,03%) y SARVI (5,18%) y los que menos
variaciones presentaron fueron el NDVI (-0,92%) SAVI (1,61%) y ARVI (1,26%) para el
OASM, como se evidencia en la Tabla 19. En el OMSM los VI’s con mayor cambio son ASVI
(13,58%), SARVI (13,56%), SARVI2 (13,35%), y MSAVI (10,30%) y los de menor
sensibilidad son GNDVI (-1,22%), NDWI (-1,22%), NDVI (2,55%), SR (3,70%). Finalmente
en el OBSMM los índices que presentan mayor diferencia a los periodos de invierno y
verano son SARVI (15,61%), SARVI2 (15,02%), y ASVI (14,44%); siendo GNDVI (-0,81%),
NDWI (-0,81%) y el NDVI (4,42%).
Tabla 21. Comparación de los índices en la clase CLC 242. Fuente: Autor.
242 Mosaico de pastos y cultivos
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,6333 0,0582 0,6001 0,0792 0,0332 5,24
124
SAVI 0,4263 0,0548 0,3766 0,0724 0,0497 11,65
MSAVI 0,9755 0,1722 0,8194 0,1989 0,1561 16,00
ARVI 0,6127 0,0677 0,5700 0,0928 0,0427 6,98
SARVI 0,3923 0,0608 0,3350 0,0763 0,0573 14,61
ASVI 0,9298 0,1716 0,7677 0,1945 0,1621 17,44
GEMI 0,7598 0,0634 0,6947 0,0845 0,0651 8,56
SR 4,5907 0,8813 4,1754 0,9087 0,4153 9,05
NDWI -0,5992 0,0542 -0,5909 0,0649 -0,0082 1,38
GNDVI 0,5992 0,0542 0,5909 0,0649 0,0082 1,38
GARI 0,5248 0,0718 0,4925 0,0795 0,0323 6,15
SARVI2 0,4700 0,0706 0,3977 0,0840 0,0722 15,37
Tabla 22. Comparación de los índices en la clase CLC 243. Fuente: Autor.
243 Mosaico de cultivos, pastos y espacios naturales
Invierno Verano Diferencia
Índices X S X S
NDVI 0,6362 0,0752 0,6151 0,0774 0,0212 3,33
SAVI 0,4185 0,0805 0,3860 0,0787 0,0325 7,78
MSAVI 0,9429 0,2439 0,8366 0,2218 0,1063 11,27
ARVI 0,6162 0,0848 0,5805 0,0933 0,0358 5,80
SARVI 0,3867 0,0841 0,3377 0,0826 0,0490 12,68
ASVI 0,9001 0,2415 0,7761 0,2170 0,1240 13,78
GEMI 0,7418 0,0965 0,6998 0,0942 0,0420 5,66
SR 4,7063 1,0413 4,3822 0,9585 0,3241 6,89
NDWI -0,6134 0,0627 -0,6151 0,0626 0,0016 -0,27
GNDVI 0,6134 0,0627 0,6151 0,0626 -0,0016 -0,27
GARI 0,5390 0,0755 0,4981 0,0790 0,0409 7,58
SARVI2 0,4595 0,0996 0,3974 0,0906 0,0621 13,52
Tabla 23. Comparación de los índices en la clase CLC 244. Fuente: Autor.
244 Mosaico de pastos con espacios naturales
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,6181 0,0975 0,6116 0,0807 0,0064 1,04
SAVI 0,4064 0,0915 0,3885 0,0782 0,0179 4,41
MSAVI 0,9267 0,2654 0,8525 0,2208 0,0742 8,01
ARVI 0,5994 0,1058 0,5842 0,0923 0,0152 2,54
125
SARVI 0,3779 0,0938 0,3487 0,0802 0,0292 7,72
ASVI 0,8888 0,2626 0,8017 0,2152 0,0871 9,80
GEMI 0,7337 0,1082 0,7069 0,0933 0,0267 3,64
SR 4,5392 1,2291 4,3475 0,9818 0,1917 4,22
NDWI -0,5958 0,0864 -0,6022 0,0694 0,0063 -1,06
GNDVI 0,5958 0,0864 0,6022 0,0694 -0,0063 -1,06
GARI 0,5293 0,0934 0,5074 0,0787 0,0219 4,14
SARVI2 0,4541 0,1112 0,4127 0,0905 0,0414 9,12
Tabla 24. Comparación de los índices en la clase CLC 245. Fuente: Autor.
245 Mosaico de cultivos y espacios naturales
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,6735 0,0376 0,6554 0,0420 0,0181 2,69
SAVI 0,4395 0,0535 0,4101 0,0529 0,0294 6,69
MSAVI 0,9635 0,1715 0,8693 0,1572 0,0943 9,78
ARVI 0,6594 0,0415 0,6259 0,0506 0,0335 5,09
SARVI 0,4132 0,0547 0,3621 0,0547 0,0511 12,37
ASVI 0,9262 0,1693 0,8065 0,1532 0,1197 12,93
GEMI 0,7526 0,0669 0,7155 0,0662 0,0371 4,93
SR 5,2014 0,6630 4,8808 0,6390 0,3206 6,16
NDWI -0,6431 0,0325 -0,6498 0,0358 0,0067 -1,04
GNDVI 0,6431 0,0325 0,6498 0,0358 -0,0067 -1,04
GARI 0,5801 0,0394 0,5316 0,0460 0,0484 8,35
SARVI2 0,4827 0,0681 0,4164 0,0615 0,0663 13,73
Tabla 25. Comparación de los índices en la clase CLC 311. Fuente: Autor.
311 Bosque denso
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,5567 0,0937 0,5293 0,1014 0,0273 4,91
SAVI 0,3184 0,0958 0,2889 0,0948 0,0295 9,26
MSAVI 0,6595 0,2486 0,5812 0,2253 0,0783 11,88
ARVI 0,5297 0,1046 0,4821 0,1217 0,0476 8,99
SARVI 0,2887 0,0973 0,2442 0,0963 0,0445 15,42
ASVI 0,6251 0,2447 2,7223 0,2190 -2,0971 14,81
GEMI 0,6170 0,1172 0,5797 0,1127 0,0373 6,04
126
SR 3,7174 1,0033 3,4487 0,9505 0,2688 7,23
NDWI -0,5522 0,0781 -0,5457 0,0839 -0,0065 1,17
GNDVI 0,5522 0,0781 0,5457 0,0839 0,0065 1,17
GARI 0,4723 0,0885 0,4220 0,0991 0,0504 10,66
SARVI2 0,3415 0,1137 0,2921 0,1039 0,0494 14,46
Tabla 26. Comparación de los índices en la clase CLC 312. Fuente: Autor.
312 Bosque abierto
Invierno Verano Diferencia Porcentaje
Índices X S X S -
NDVI - - 0,5064 0,0863 -
SAVI - - 0,2755 0,0778 -
MSAVI - - 0,5557 0,1842 -
ARVI - - 0,4636 0,1033 -
SARVI - - 0,2354 0,0796 -
ASVI - - 0,5130 0,1804 -
GEMI - - 0,5715 0,0929 -
SR - - 3,1733 0,7211 -
NDWI - - -0,5150 0,0725 -
GNDVI - - 0,5150 0,0725 -
GARI - - 0,4070 0,0858 -
SARVI2 - - 0,2842 0,0879 -
Tabla 27. Comparación de los índices en la clase CLC 313. Fuente: Autor.
313 Bosque fragmentado
Invierno Verano Diferencia Porcentaje
Índices X S X S
NDVI 0,6078 0,0878 0,6007 0,0828 0,0071 1,17
SAVI 0,3790 0,0938 0,3595 0,0852 0,0195 5,14
MSAVI 0,8248 0,2620 0,7519 0,2241 0,0728 8,83
ARVI 0,0972 0,5861 0,5647 0,0993 -0,4675 4,49
SARVI 0,3489 0,0957 0,3138 0,0872 0,0351 10,07
ASVI 0,7866 0,2585 0,6966 0,2180 0,0899 11,43
GEMI 0,6913 0,1144 0,6618 0,1021 0,0294 4,26
SR 4,3320 1,0728 4,2005 0,9552 0,1314 3,03
NDWI -0,5934 0,0739 -0,6063 0,0672 0,0129 -2,18
127
GNDVI 0,5934 0,0739 0,6063 0,0672 -0,0129 -2,18
GARI 0,5184 0,0835 0,4891 0,0822 0,0293 5,66
SARVI2 0,4134 0,1134 0,3676 0,0953 0,0458 11,08
Tabla 28. Comparación de los índices en la clase CLC 321. Fuente: Autor.
321 Herbazal
Invierno Verano Diferencia Porcentaje
Índices X S X S
Tabla 29. Comparación de los índices en la clase CLC 322. Fuente: Autor.
322 Arbusto
Invierno Verano Diferencia Porcentaje
Índices X S X S
128
SARVI2 0,3630 0,0924 0,3401 0,0898 0,0228 9,61
Tabla 30. Comparación de los índices en la clase CLC 323. Fuente: Autor.
323 Vegetación secundaria o en transición
Invierno Verano Diferencia Porcentaje
Índices X S X S
La zona de estudio se dividió en las CLC presentes en el área (Tabla 20, Tabla 21, Tabla
22, Tabla 23, Tabla 24, Tabla 25, Tabla 26, Tabla 27, Tabla 28, Tabla 29, Tabla 30) siendo
estos 231, 242, 243, 244, 245, 311, 312, 313, 321, 322, y 323.
Los índices espectrales que se mantuvieron con mayor cambio a la comparación de los
periodos de inverno-verano fueron MSAVI, ARVI, SARVI, ASVI y SARVI2; y los que
presentaron menos variaciones, son NDVI, NDWI y GNDVI.
129
Imagen 17. Comportamiento del NDVI. Fuente: Autor.
Tabla 31. Comportamiento del NDVI.
Fuente: Autor. NDVI
NDVI
0,6800
CLC Inv Ver
0,6600
231 0,5595 0,5601
0,6400
242 0,6333 0,6001
0,6200
243 0,6181 0,6151
0,6000
244 0,6181 0,6116
0,5800
245 0,6735 0,6554
0,5600
311 0,5567 0,5293
0,5400
312 0,5064
0,5200
313 0,6078 0,6007
0,5000
321 0,5269 0,5242 231 242 243 244 245 311 312 313 321 322 323
322 0,5515 0,5501
Inv Ver
323 0,6439 0,6396
130
Imagen 19. Comportamiento del MSAVI. Fuente: Autor.
Tabla 33. Comportamiento del
MSAVI. Fuente: Autor. MSAVI
MSAVI
1,0000
CLC Inv Ver
0,9500
231 0,8592 0,7637
0,9000
242 0,9755 0,8194
0,8500
243 0,9429 0,8366
0,8000
244 0,9267 0,8525
0,7500
245 0,9635 0,8693
0,7000
311 0,6595 0,5812
0,6500
312 0,5557
0,6000
313 0,8248 0,7519
0,5500
321 0,7265 0,6655 231 242 243 244 245 311 312 313 321 322 323
322 0,7148 0,6814
Inv Ver
323 0,9329 0,8632
Tabla 34. Comportamiento del ARVI. Imagen 20. Comportamiento ARVI. Fuente: Autor.
Fuente: Autor.
ARVI ARVI
CLC Inv Ver 0,6600
231 0,5357 0,5223 0,6400
242 0,6127 0,5700 0,6200
243 0,6162 0,5805 0,6000
244 0,5994 0,5842 0,5800
0,5600
245 0,6594 0,6259
0,5400
311 0,5297 0,4821
0,5200
312 0,4636
0,5000
313 0,5647 0,5647 0,4800
321 0,4997 0,4850 0,4600
322 0,5267 0,5162 231 242 243 244 245 311 312 313 321 322 323
323 0,6245 0,6069 Inv Ver
131
Imagen 21. Comportamiento SARVI. Fuente: Autor.
Tabla 35. Comportamiento SARVI.
Fuente: Autor.
SARVI
SARVI
CLC Inv Ver 0,4100
231 0,3353 0,3015 0,3900
242 0,3923 0,3350 0,3700
243 0,3867 0,3377 0,3500
244 0,3779 0,3487 0,3300
245 0,4132 0,3621 0,3100
311 0,2887 0,2442 0,2900
312 0,2354 0,2700
313 0,3489 0,3138 0,2500
321 0,2938 0,2679 0,2300
231 242 243 244 245 311 312 313 321 322 323
322 0,3018 0,2842
323 0,3879 0,3537 SARVI Inv SARVI Ver
132
Imagen 23. Comportamiento GEMI. Fuente: Autor.
Tabla 37. Comportamiento GEMI.
Fuente: Autor. GEMI
GEMI
CLC Inv Ver 0,7600
231 0,7098 0,6719 0,7400
0,7200
242 0,7598 0,6947
0,7000
243 0,7418 0,6998 0,6800
244 0,7337 0,7069 0,6600
245 0,7526 0,7155 0,6400
311 0,6170 0,5797 0,6200
312 0,5715 0,6000
0,5800
313 0,6913 0,6618
0,5600
321 0,6538 0,6287 231 242 243 244 245 311 312 313 321 322 323
322 0,6474 0,6317
Inv Ver
323 0,7346 0,7103
Tabla 38. Comportamiento SR. Imagen 24. Comportamiento SR. Fuente: Autor.
Fuente: Autor.
SR SR
CLC Inv Ver 5,4000
231 3,7091 3,6957 5,2000
242 4,5907 4,1754 5,0000
4,8000
243 4,7063 4,3822 4,6000
244 4,5392 4,3475 4,4000
245 5,2014 4,8808 4,2000
4,0000
311 3,7174 3,4487 3,8000
312 3,1733 3,6000
313 4,3320 4,2005 3,4000
3,2000
321 3,3624 3,3118 3,0000
322 3,5958 3,5741 231 242 243 244 245 311 312 313 321 322 323
323 4,9004 4,7260 Inv Ver
133
Tabla 39. Comportamiento NDWI. Imagen 25. Comportamiento NDWI. Fuente: Autor.
Fuente: Autor.
NDWI NDWI
CLC Inv Ver -0,4900
231 -0,5407 -0,5584 -0,5100
231 242 243 244 245 311 312 313 321 322 323
242 -0,5992 -0,5909 -0,5300
243 -0,6134 -0,6151
-0,5500
244 -0,5958 -0,6022
-0,5700
245 -0,6431 -0,6498
-0,5900
311 -0,5522 -0,5457
312 -0,5150 -0,6100
Tabla 40. Comportamiento GNDVI. Imagen 26. Comportamiento GNDVI. Fuente: Autor.
Fuente: Autor.
GNDVI GNDVI
CLC Inv Ver 0,6600
231 0,5407 0,5584 0,6400
242 0,5992 0,5909
0,6200
243 0,6134 0,6151
0,6000
244 0,5958 0,6022
0,5800
245 0,6431 0,6498
311 0,5522 0,5457 0,5600
134
Tabla 41. Comportamiento GARI. Imagen 27. Comportamiento GARI. Fuente: Autor.
Fuente: Autor.
GARI GARI
CLC Inv Ver
0,5800
231 0,4692 0,4492
0,5600
242 0,5248 0,4925
0,5400
243 0,5390 0,4981
0,5200
244 0,5293 0,5074
0,5000
245 0,5801 0,5316
0,4800
311 0,4723 0,4220 0,4600
312 0,4070 0,4400
313 0,5184 0,4891 0,4200
321 0,4444 0,4222 0,4000
322 0,4649 0,4508 231 242 243 244 245 311 312 313 321 322 323
323 0,5487 0,5212 Inv Ver
NDVI
135
231 0,5721 0,5545 0,5535 0,5456 0,6460 0,6214
242 0,6003 0,6134 0,6253 0,5915
243 0,5459 0,5948 0,6328 0,6239 0,6447 0,6192
244 0,5568 0,5966 0,6343 0,6250 0,6752 0,6722
245 0,6701 0,6464 0,6751 0,6596
311 0,4990 0,4986 0,5535 0,5360 0,5998 0,5695
312 0,5064
313 0,5543 0,5675 0,5928 0,6106 0,6306 0,6127
321 0,5242
322 0,5508 0,5508 0,5571 0,5408
323 0,5467 0,6537 0,5887 0,6437 0,6611 0,6357
NDVI
0,6900
0,6600
0,6300
0,6000
0,5700
0,5400
0,5100
0,4800
231 242 243 244 245 311 312 313 321 322 323
SAVI
136
313 0,3349 0,3294 0,3730 0,3688 0,3941 0,3701
321 0,3112
322 0,3320 0,3229 0,3310 0,3254
323 0,3600 0,4328 0,3723 0,4031 0,4318 0,3959
SAVI
0,4500
0,4300
0,4100
0,3900
0,3700
0,3500
0,3300
0,3100
0,2900
0,2700
0,2500
231 242 243 244 245 311 312 313 321 322 323
MSAVI
137
Imagen 31. Comparación Biomas - CLC vs. MSAVI. Fuente: Autor.
MSAVI
1,0000
0,9500
0,9000
0,8500
0,8000
0,7500
0,7000
0,6500
0,6000
0,5500
0,5000
231 242 243 244 245 311 312 313 321 322 323
ARVI
138
Imagen 32. Comparación Biomas - CLC vs. ARVI. Fuente: Autor.
ARVI
0,6600
0,6300
0,6000
0,5700
0,5400
0,5100
0,4800
0,4500
231 242 243 244 245 311 312 313 321 322 323
SARVI
139
Imagen 33. Comparación Biomas - CLC vs. SARVI. Fuente: Autor.
SARVI
0,4200
0,4000
0,3800
0,3600
0,3400
0,3200
0,3000
0,2800
0,2600
0,2400
0,2200
231 242 243 244 245 311 312 313 321 322 323
ASVI
140
Imagen 34. Comparación Biomas - CLC vs. ASVI. Fuente: Autor.
ASVI
0,9500
0,9000
0,8500
0,8000
0,7500
0,7000
0,6500
0,6000
0,5500
0,5000
0,4500
231 242 243 244 245 311 312 313 321 322 323
GEMI
141
Imagen 35. Comparación Biomas - CLC vs. GEMI. Fuente: Autor.
GEMI
0,7600
0,7300
0,7000
0,6700
0,6400
0,6100
0,5800
0,5500
231 242 243 244 245 311 312 313 321 322 323
SR
142
Imagen 36. Comparación Biomas - CLC vs. SR. Fuente: Autor.
SR
5,5000
5,0000
4,5000
4,0000
3,5000
3,0000
231 242 243 244 245 311 312 313 321 322 323
NDWI
143
Imagen 37. Comparación Biomas - CLC vs. NDWI. Fuente: Autor.
NDWI
-0,4800
-0,5300
-0,5800
-0,6300
-0,6800
231 242 243 244 245 311 312 313 321 322 323
GNDVI
144
Imagen 38. Comparación Biomas - CLC vs. GNDVI. Fuente: Autor.
GNDVI
0,6800
0,6600
0,6400
0,6200
0,6000
0,5800
0,5600
0,5400
0,5200
0,5000
0,4800
231 242 243 244 245 311 312 313 321 322 323
GARI
145
Imagen 39. Comparación Biomas - CLC vs. GARI. Fuente: Autor.
GARI
0,6000
0,5800
0,5600
0,5400
0,5200
0,5000
0,4800
0,4600
0,4400
0,4200
0,4000
231 242 243 244 245 311 312 313 321 322 323
SARVI2
146
Imagen 40. Comparación Biomas - CLC vs. SARVI2. Fuente: Autor.
SARVI2
0,5000
0,4800
0,4600
0,4400
0,4200
0,4000
0,3800
0,3600
0,3400
0,3200
0,3000
0,2800
0,2600
231 242 243 244 245 311 312 313 321 322 323
En general se muestra una tendencia de los índices MSAVI ASVI SARVI y SARVI2, en
tener una mayor sensibilidad en la comparación entre los periodos de invierno y verano
arrojando porcentajes de cambio más altos que el resto de los índices. Se evidencia una
disminución de la tasa de cambio partiendo de la comparación directa entre las imágenes
de invierno y verano que oscilan entre 11 %-14% (Tabla 16); durante la comparación de los
biomas de las zona se notó una disminución de la tasa de cambio en los respectivos biomas,
esto es, en el OASM los valores oscilaron entre 4 y 6%; mientras que en el OMSM los
valores de los índices citados variaron entre 10 y 13% y en el OBSMM los valores estuvieron
entre 11 y 15%.
147
NDWI 2,31 -10,40 -8,64 -1,72 -3,94 -2,04 -20,57
La tendencia de los resultados de los índices se mantiene a lo largo de las clases CLC
como se muestra en las Tabla 41 - Tabla 54 y las Imagen 16Imagen 40
Las coberturas 311 (Bosque denso) tienen resultados comparativamente bajos frente a las
otras clases y en los diferentes biomas.
148
Estos resultados pueden explicarse debido a dos razones principales:
II. La compleja topografía de la zona limita el análisis del a información ya que la ser
una zona montañosa, se pierden datos debido al aspecto e iluminación en función
del ángulo de captura de las imágenes satelitales; a pesar de los procesos de
corrección atmosférica y topográfica.
Se puede señalar que los índices espectrales MSAVI, ASVI, SARVI y SARVI2 son más
sensibles a las variaciones de las condiciones de la vegetación; que el resto de los índices.
El NDVI, GNDVI y NDWI, en general fueron los índices que menores variaciones
presentaron en la comparación de los periodos de invierno y verano, sin embargo fueron
los que menor dispersión de los datos presentaron con un coeficiente de variación en a lo
largo de las comparaciones alrededor del 15%.
El ASVI, SARVI y SARVI2, son índices resistentes al suelo y a la atmósfera, lo que explica
su variación comparativamente mayor al resto, en los periodos de inverno y verano, puesto
tienen en cuenta la influencia del fondo del suelo (Huete et al., 1997; Qi, Chehbouni, et al.,
1994; Qi, Kerr, et al., 1994) que se acrecienta en las épocas de verano cuando las
vegetación pierde vigor vegetal, así como la reducción de los efectos relativos a las
condiciones atmosféricas (Pinty & Verstraete, 1992).
El uso de la banda azul para el ARVI ASVI SARVI y SARVI2, hace que sean más sensibles
en condiciones de vegetación densa (Qi, Kerr, et al., 1994), esta afirmación se demuestra
en la comparación de los índices espectrales en los dos periodos de estudio.
Por otro lado los índices que menor variación presentaron fueron el NDVI, NDWI y GNDVI,
siendo consistente el NDVI con las observaciones de Qi et al (1994) que señalan al NDVI
como un índice de sensibilidad baja en LAI > 2,5. El autor citado también señala el mismo
comportamiento para el SAVI en las mismas condiciones de área foliar. A pesar de que no
fue posible calcular el LAI para la zona de estudio, las observaciones y los cálculos
realizados concuerdan con lo enunciado por los autores.
149
Pinty & Verstraete, (1992) expresan que el GEMI es más útil para comparar las
observaciones en diversas condiciones de atmosféricas y de iluminación, ya que,
representa mejor las condiciones reales de la superficie que el NDVI y SR, sobre la mayor
parte de la gama del estado de la vegetación; por otro lado Qi, Kerr, et al., (1994) señalan
que el GEMI tiene una mala respuesta en áreas con LAI<0,5 por el efecto del fondo del
suelo.
Huete et al., (1997), señala que el SARVI no se satura en zonas boscosas reflejando
variaciones en la reflectancia del NIR; a diferencia del NDVI que se satura con estas
coberturas por la alta absorción en el canal rojo (Gitelson et al., 1996). El mismo autor
señala que el NDVI es sensible a la absorción de la fracción de la radiación
fotosintéticamente activa (fPAR) siendo útil para los estudios de la fracción de la cobertura
vegetal; y el SARVI es más sensible a parámetros estructurales del dosel como el LAI y la
morfología de las hojas. Al igual que Huete et al., (1997), el SARVI y el SARVI2, presentaron
una mejor respuesta a las variaciones de las condiciones de la vegetación; el autor citado
explica la sensibilidad en áreas densamente pobladas por el peso de la reflectancia del NIR
en las ecuaciones del SARVI2 y SARVI. La menor absorción, gran penetración y
propiedades de dispersión del NIR permitió un incremento de la sensibilidad a los biomas
verdes y previno la saturación los VI’s en altos niveles de vegetación.
150
9. CONCLUSIONES Y RECOMENDACIONES
Los índices espectrales son herramientas útiles para determinar algunas variables físicas
de la vegetación, así como el análisis del cambio de las dinámicas medibles en bosques, y
la interacción del hombre con su entorno.
La división del área de estudio en biomas halló que todos los índices espectrales trabajados
presentan una variación en la sensibilidad de la detección del cambio entre las épocas de
invierno y verano, inversa a la altitud; esto es que el porcentaje de cambio aumentaba a
medida que la altitud decrecía, partiendo del Orobioma Alto de Santa Marta hasta el
Orobioma Bajo de Santa Marta y Macuira. Sin embargo esta tendencia sólo se demuestra
en los límites de la zona de estudio, y no se puede asegurar una continuidad de esta línea
más allá del área de estudio, puesto que las condiciones de la vegetación en esta zona
varían drásticamente.
Para la determinación del estado de las coberturas vegetales los índices espectrales que
mejor representan su condición son el ASVI, SARVI y SARVI2 ya que tienen en cuenta las
interferencias del fondo del suelo y las posibles perturbaciones atmosféricas además de ser
más sensibles a los parámetros estructurales del dosel como el índice de área foliar y la
morfología de las hojas. No obstante estos índices son un complemento del NDVI que es
un índice sensible a la absorción de la fracción fotosintéticamente activa (Huete et al., 1997).
El uso de estos índices espectrales está ligado a coberturas con altas densidades y áreas
foliares altas (LAI>2), ya que según Qi, Kerr, et al., (1994) y Huete et al., (1997) estos,
tienen un comportamiento diferentes en coberturas poco densas, por lo que se hace
conveniente el análisis de otros índices espectrales.
151
El desfase temporal de los datos CLC (2005-2007), hacen que el uso de esta información
como base del estado de las coberturas, no sea verídico, así que la segmentación de la
zona de estudio en dichos datos, sólo se asumió a nivel comparativo para asumir una tasa
de cambio entre áreas, por ello se hace necesario el uso de información temporalmente
cercana.
De igual forma es recomendable el uso de información secundaria de las zonas en las que
se trabaje, como los tipos de biomas, ecosistemas, usos de suelos, especies existentes en
la zona, comunidades vegetales, ya que ayudaran a intuir, el tipo de comportamiento que
tendrán los índices espectrales, así como una determinación y categorización del estado
de las coberturas, ecosistemas y biomas.
152
10. BIBLIOGRAFÍA
Ahamed, T., Tian, L., Zhang, Y., & Ting, K. C. (2011). A review of remote sensing methods
for biomass feedstock production. Biomass and Bioenergy, 35(7), 2455–2469.
http://doi.org/10.1016/j.biombioe.2011.02.028
Ali, I., Cawkwell, F., Dwyer, E., Barrett, B., & Green, S. (2016). Satellite remote sensing of
grasslands: from observation to management–a review. Journal of Plant Ecology,
rtw005. http://doi.org/10.1093/jpe/rtw005
Arango, C., Dorado, J., Guzmán, D., & Ruiz, J. . (2014). Climatología trimestral de Colombia,
19. Retrieved from http://es.scribd.com/doc/229064239/Climatologia-Trimestral-para-
Colombia-Ruiz-Guzman-Arango-y-Dorado-pdf#scribd
Arenas, D., & Nieto, N. (2015). Uso de imágenes de sensores para el levantamiento físico
de apoyo a los avluos ambientales, Etapa 2015. CIAF-IGAC. BOGOTÁ, COLOMBIA.
Ariza, A. (2013). Descripción y Corrección de Productos Landsat 8 LDCM (Landsat Data
Continuity Mission). Centro de Investigación Y Desarrollo En Información Geográfica
Del IGAC -CIAF, 46.
Ariza, A., Garcia, S., Rojas, S., & Ramirez D., M. (2014). Desarrollo de un modelo de
corrección de imágenes de satélite para inundaciones: (CAIN -Corrección Atmosférica
e Índices de Inundación). Centro de Investigación Y Desarrollo En Información
Geográfica Del IGAC -CIAF, 1–10. Retrieved from http://www.un-spider.org/
Bacour, C., Breon, F. M., & Maignan, F. (2006). Normalization of the directional effects in
NOAA - AVHRR reflectance measurements for an improved monitoring of vegetation
cycles. Remote Sensing of Environment, 102(3–4), 402–413.
Balaguera, L., Cantillo, J., Camargo, L. F., Gómez, Á., Jiménez, M., Laverde, G. N., …
Villalba, P. (2005). PLAN DE MANEJO PARQUE NACIONAL NATURAL SIERRA
NEVADA DE SANTA MARTA. PLAN DE MANEJO BASICO 2005-200. Santa Mrta.
Bannari, A., Morin, D., Huete, A. R., & Bonn, F. (1995). A review of vegetation indices.
Remote Sensing Reviews, 13, 95–120.
Baret, F., Guyot, G., & Major, D. J. (1989). TSAVI : A vegetation index which minimizes soil
brightness effects on LAI and APAR estimation. In Proceedings of The 12th Canadian
Symposium on Remote Sensing (pp. 1355–1358). Vancouver.
Brito Hoyos, D. M. (2013). Maestría en Aplicaciones Espaciales de Alerta y Respuesta
Temprana a Emergencias. Informe Final - Pasantía. Universidad Nacional de General
San Martín (UNSAM).
Buyantuyev, A., Wu, J., & Gries, C. (2007). Estimating vegetation cover in an urban
environment based on Landsat ETM+ imagery: A case study in Phoenix, USA.
International Journal of Remote Sensing, 28(2), 269–291.
http://doi.org/10.1080/01431160600658149
Calvo Polanco, M., Silva Pando, F. J., Rozados Lorenzo, M. J., Díaz Blanco, M., Rodríguez
Dorriba, P., & Duo Suárez, I. (2005). El índice de área foliar (LAI) en masas de abedul
(Betula celtiberica rothm. et vasc.) en Galicia. Sociedad Española de Ciencias
Forestales, 20, 111–116.
153
Cao, C., Xu, M., Chen, W., & Tian, R. (2012). A framework for diagnosis of environmental
health based on remote sensing. In D. Entekhabi, Y. Honda, H. Sawada, J. Shi, & T.
Oki (Eds.), Land Surface Remote Sensing (p. 852414). Kyoto, Japan: Land Surface
Remote Sensing. http://doi.org/10.1117/12.977439
Carlson, T. N., & Ripley, D. A. (1997). On the relation between NDVI, fractional vegetation
cover, and leaf area index. Remote Sensing of Environment.
http://doi.org/10.1016/S0034-4257(97)00104-1
Chavez Jr., P. S. (1988). An improved dark-object subtraction technique for atmospheric
scattering correction of multispectral data. Remote Sensing of Environment, 24(3),
459–479. http://doi.org/10.1016/0034-4257(88)90019-3
Chavez Jr., P. S., & Yaw Kwarteng, A. (1989). Extracting spectral contrast in Landsat
Thematic Mapper image data using selective principal component analysis.
Photogrammetric Engineering & Remote Sensing, 55(3), 339–348.
Chen, Y., & Gillieson, D. (2009). Evaluation of Landsat TM vegetation indices for estimating
vegetation cover on semi-arid rangelands: a case study from Australia. Canadian
Journal of Remote Sensing, 35(5), 435–446. http://doi.org/10.5589/m09-037
Chen, Z., Yin, Q., Li, L., & Xu, H. (2010). Ecosystem Health Assessment by using remote
sensing derived data: A case study of terrestrial region along the coast in ZheJiang
province. IEEE Geoscience and Remote Sensing Letters, 4526–4529.
Chuvieco, E. (1995). Fundamentos de teledetección espacial (Segunda Ed). Madrid-
España: RIALP S.A.
Chuvieco, E. (2010). Teledetección Ambiental, La Observación de la Tierra desde el
Espacio. Barcelona: Ariel.
Costanza, R., & Mageau, M. (1999). What is a healthy ecosystem? Aquat. Ecol, 33, 105–
155.
Cui, L., Li, G., Ren, H., He, L., Liao, H., Ouyang, N., & Zhang, Y. (2014). Assessment of
atmospheric correction methods for historical Landsat TM images in the coastal zone:
A case study in Jiangsu, China. European Journal of Remote Sensing, 47(1), 701–716.
http://doi.org/10.5721/EuJRS20144740
Díaz-Delgado, R., Lloret, F., Pons, X., & Terradas, J. (2002). SATELLITE EVIDENCE OF
DECREASING RESILIENCE IN MEDITERRANEAN PLANT COMMUNITIES AFTER
RECURRENT WILDFIRES. Ecology, 83(8), 2293–2303. http://doi.org/10.1890/0012-
9658(2002)083[2293:SEODRI]2.0.CO;2
Gao, B. C. (1996). NDWI - A normalized difference water index for remote sensing of
vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257–266.
http://doi.org/10.1016/S0034-4257(96)00067-3
Gill, T. K., & Phinn, S. R. (2009). Improvements to ASTER-Derived Fractional Estimates of
Bare Ground in a Savanna Rangeland. IEEE Transactions on Geoscience and Remote
Sensing, 47(2), 662–670. http://doi.org/10.1109/TGRS.2008.2004628
Gill, T. K., Phinn, S. R., Armston, D. J., & Pailthorpe, B. A. (2009). Estimating tree-cover
change in Australia: challenges of using the MODIS vegetation index product.
International Journal of Remote Sensing, 30(6), 1547–1565.
154
Gillespie, T. W. (2011). Predicting Woody-Plant Species Richness in Tropical Dry Forests :
A Case Study from South PREDICTING WOODY-PLANT SPECIES RICHNESS IN
TROPICAL DRY FORESTS : A CASE STUDY FROM SOUTH FLORIDA , USA.
Ecological Applications, 15(1), 27–37. Retrieved from
https://www.researchgate.net/publication/280801166
Gitelson, A. A. (2004). Wide Dynamic Range Vegetation Index for Remote Quantification of
Biophysical Characteristics of Vegetation. Journal of Plant Physiology, 161(2), 165–
173. http://doi.org/10.1078/0176-1617-01176
Gitelson, A. A., Kaufman, Y. J., & Merzlyak, M. N. (1996). Use of a green channel in remote
sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment,
58(3), 289–298. http://doi.org/10.1016/S0034-4257(96)00072-7
Gitelson, A. A., Viña, A., Arkebauer, T. J., Rundquist, D. C., Keydan, G., & Leavitt, B. (2003).
Remote estimation of leaf area index and green leaf biomass in maize canopies.
Geophysical Research Letters, 30(5), n/a-n/a. http://doi.org/10.1029/2002GL016450
Gonzaga Aguilar, C. (2014). Aplicación de Índices de Vegetación Derivados de Imágenes
Satelitales Landsat 7 ETM + y ASTER para la Caracterización de la Cobertura Vegetal
en la Zona Centro de la Provincia De Loja, Ecuador. Universidad Nacional de La Plata.
Goslee, S. C. (2011). Analyzing Remote Sensing Data in R : The landsat Package. Journal
of Statistical Software, 43(4), 1–25. http://doi.org/10.18637/jss.v043.i04
Gu, Z., Ju, W., Li, L., Li, D., Liu, Y., & Fan, W. (2013). Using vegetation indices and texture
measures to estimate vegetation fractional coverage (VFC) of planted and natural
forests in Nanjing city, China. Advances in Space Research, 51(7), 1186–1194.
http://doi.org/10.1016/j.asr.2012.11.015
Guzmán, D., Ruíz, J., & Cadena, M. (2014). REGIONALIZACIÓN DE COLOMBIA SEGÚN
LA ESTACIONALIDAD DE LA PRECIPITACIÓN MEDIA MENSUAL, A TRAVÉS
ANÁLISIS DE COMPONENTES PRINCIPALES (ACP).
Guzmán, O. (2006). Fundamentos Físicos de la Teledetección. (CIAF, Ed.) (Versión 1.).
BOGOTÁ, COLOMBIA: CIAF.
Harris, A., Carr, A. S., & Dash, J. (2014). Remote sensing of vegetation cover dynamics and
resilience across southern Africa. International Journal of Applied Earth Observation
and Geoinformation, 28(1), 131–139. http://doi.org/10.1016/j.jag.2013.11.014
He, K. S., Zhang, J., & Zhang, Q. (2009). Linking variability in species composition and
MODIS NDVI based on beta diversity measurements. Acta Ecológica, 35(1), 14–21.
http://doi.org/10.1016/j.actao.2008.07.006
Hernández-Camacho, J., & Sánchez-Páez, H. (1992). Biomas terrestres de Colombia. Acta
Zoológica Mexicana, 1, 152–173.
Hofer, G., Bunce, R. G. H., Edwards, P. J., Szerencsits, E., Wagner, H. H., & Herzog, F.
(2011). Use of topographic variability for assessing plant diversity in agricultural
landscapes. Agriculture, Ecosystems & Environment, 142(3–4), 144–148.
http://doi.org/10.1016/j.agee.2011.04.011
Homolová, L., Malenovský, Z., Clevers, J. G. P. W., García-Santos, G., & Schaepman, M.
E. (2013). Review of optical-based remote sensing for plant trait mapping. Ecological
Complexity, 15, 1–16. http://doi.org/10.1016/j.ecocom.2013.06.003
155
Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of
Environment, 25(3), 295–309. http://doi.org/10.1016/0034-4257(88)90106-X
Huete, A. R., Justice, C. O., & van Leeuwen, W. J. D. (1999). MODIS Vegetation Index
(MOD 13). Version 3. Algorithm Theoretical Basis Document. Retrieved from
http://modis.gsfc.nasa.gov/data/atbd/atbd_mod13.pdf
Huete, A. R., Liu, H. Q., Batchily, K., & van Leeuwen, W. J. D. (1997). A comparison of
vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing
of Environment, 59(3), 440–451. http://doi.org/10.1016/S0034-4257(96)00112-5
Hunt, E. R., & Rock, B. N. (1989). Detection of changes in leaf water content using near and
middle-infrared reflectances. Remote Sensing of Environment, 30, 43–54.
Hunt, E. R., Rock, B. N., & Nobel, P. S. (1987). Measurement of leaf relative water content
by infrared reflectance. Remote Sensing of Environment, 22(3), 429–435.
http://doi.org/10.1016/0034-4257(87)90094-0
IDEAM. (2007). Las coberturas vegetales, uso y ocupación del espacio de Colombia. Escala
1:500.000. BOGOTÁ, COLOMBIA.
IDEAM. (2010). Leyenda nacional de coberturas de la tierra. Metodología CORINE Land
Cover Adaptada para Colombia Escala 1:100.000. BOGOTÁ, COLOMBIA.
IDEAM, IGAC, IAvH, Invemar, Sinchi, & IIAP. (2007). Ecosistemas continentales, costeros
y marinos de Colombia. BOGOTÁ, COLOMBIA.
Jackson, T. J., Chen, D., Cosh, M., Li, F., Anderson, M., Walthall, C., … Hunt, E. R. (2004).
Vegetation water content mapping using Landsat data derived normalized difference
water index for corn and soybeans. Remote Sensing of Environment, 92(4), 475–482.
http://doi.org/10.1016/j.rse.2003.10.021
Kaufman, Y. J., & Tanré, D. (1992). Atmospherically resistant vegetation index (ARVI) for
EOS-MODIS. In A. Arbor (Ed.), IEEE Transactions on Geoscience and Remote
Sensing (pp. 97–131). University of Michigan.
Kemerer, A.; Di Bella, C.; Melchiori, R.; Benech, A.; y Alvarez, R. (2007). Comparación de
índices espectrales para la predicción del IAF en canopeos de maíz.
TELEDETECCIÓN, 125–129.
Krieger, F., Malila, W., Nalepka, R., & Richerdson, W. (1969). Preprocessing
transformations and their effects on multispectral recognition. Remote Sensing of
Environment, 97–131.
Lawes, R. A., & Wallace, J. F. (2008). Monitoring an invasive perennial at the landscape
scale with remote sensing. Ecological Management & Restoration, 9(1), 53–59.
http://doi.org/10.1111/j.1442-8903.2008.00387.x
Levin, N., Shmida, A., Levanoni, O., Tamari, H., & Kark, S. (2007). Predicting mountain plant
richness and rarity from space using satellite-derived vegetation indices. Diversity and
Distributions, 13(6), 692–703. http://doi.org/10.1111/j.1472-4642.2007.00372.x
Li, Z., Xu, D., & Guo, X. (2014). Remote sensing of ecosystem health: opportunities,
challenges, and future perspectives. Sensors, 14(11), 21117–21139.
http://doi.org/10.3390/s141121117
156
Liao, Z., He, B., & Quan, X. (2015). Modified enhanced vegetation index for reducing
topographic effects. Journal of Applied Remote Sensing, 9(1), 96068.
http://doi.org/10.1117/1.JRS.9.096068
Libonati, R., de Portugal e Castro da Camara, C. do C., Pereira, J. M. C., & de Faria Peres,
L. (2011). Discriminating burned areas in Amazon and Cerrado regions using MIR/NIR
information. Anais XV Simpósio Brasileiro de Sensoriamento Remoto, (Pereira 1999),
8020–8027. Retrieved from
http://marte.dpi.inpe.br/col/dpi.inpe.br/marte/2011/06.30.12.48/doc/p1044.pdf\npapers
3://publication/uuid/F5C4EBA4-1C45-47A9-83D5-8CDDC36C8451
Luoto, M., Toivonen, T., & Heikkinen, R. K. (2002). Prediction of total and rare plant species
richness from satellite images and GIS data in agricultural landscapes. Landscape
Ecology, 17(3), 195–217. http://doi.org/10.1023/A:1020288509837
Masek, J. G., Hayes, D. J., Joseph Hughes, M., Healey, S. P., & Turner, D. P. (2015). The
role of remote sensing in process-scaling studies of managed forest ecosystems.
Forest Ecology and Management, 355, 109–123.
http://doi.org/10.1016/j.foreco.2015.05.032
MEA. (2005). Ecosystems and Human Well-being. EE.UU.
Moreira, E. P., Valeriano, M. de M., Sanches, I. D. A., & Formaggio, A. R. (2016).
TOPOGRAPHIC EFFECT ON SPECTRAL VEGETATION INDICES FROM LANDSAT
TM DATA: IS TOPOGRAPHIC CORRECTION NECESSARY? Boletim de Ciências
Geodésicas, 22(1), 95–107. http://doi.org/10.1590/S1982-21702016000100006
Nagendra, H. (2001). Using remote sensing to assess biodiversity. International Journal of
Remote Sensing, 22(12), 2377–2400. http://doi.org/10.1080/01431160117096
Opazo Saldivia, S., & Rodríguez-Verdú, F. (2007). Variación espacial de índices espectrales
sobre áreas quemadas en sudamérica. Cuadernos de Investigación Geográfica, 33,
39–57.
Pinty, B., & Verstraete, M. M. (1992). GEMI: a non-linear index to monitor global vegetation
from satellites. Vegetatio, 101(1), 15–20. http://doi.org/10.1007/BF00031911
Piñol, J., Filella, I., Ogaya, R., & Peñuelas, J. (1998). Ground-based spectroradiometric
estimation of live fine fuel moisture of Mediterranean plants. Agricultural and Forest
Meteorology, 90(3), 173–186. http://doi.org/10.1016/S0168-1923(98)00053-7
PNUD. (2011). Colombia rural. Razones para la esperanza. Informe Nacional de Desarrollo
Humano. BOGOTÁ, COLOMBIA.
Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil
adjusted vegetation index: MSAVI. Remote Sensing of Environment, 48, 119–126.
Qi, J., Kerr, Y., & Chehbouni, A. (1994). External factor consideration in vegetation index
development. Proceedings of 6th International Symposium on Physical Measurements
and Signatures in Remote Sensing, (July), 723–730.
Quintano, C., Fernández-Manso, A., Stein, A., & Bijker, W. (2011). Estimation of area burned
by forest fires in Mediterranean countries: A remote sensing data mining perspective.
Forest Ecology and Management, 262(8), 1597–1607.
http://doi.org/10.1016/j.foreco.2011.07.010
157
Rangel-Ch, J. O. (2002). Biodiversidad en la región del páramo: Con especial referencia a
Colombia. In Congreso Mundial de Páramos: Memorias Tomo I.
Rangel-Ch, J. O. (2005). La biodiversidad de Colombia. Palimpsestos, 5, 292–304.
Retrieved from
http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:La+biodiversidad+d
e+Colombia#6
Rangel-Ch, J. O. (2012). ECOSISTEMAS DEL CARIBE COLOMBIANO. In J. O. Rangel-Ch
(Ed.), COLOMBIA DIVERSIDAD BIÓTICA XII La región Caribe de Colombia (XII, pp.
963–1009). BOGOTÁ, COLOMBIA: Editorial Códice Ltda.
Rangel-Ch, J. O., & Carvajal-Cogollo, J. E. (2012). CLIMA DE LA REGIÓN CARIBE
COLOMBIANA. In J. O. Rangel-ch (Ed.), Colombia Diversidad Biótica XII. La región
Caribe de Colombia. (XII, pp. 67–129). BOGOTÁ, COLOMBIA: Editorial Códice Ltda.
Räsänen, A., Kuitunen, M., Hjort, J., Vaso, A., Kuitunen, T., & Lensu, A. (2016). The role of
landscape, topography, and geodiversity in explaining vascular plant species richness
in a fragmented landscape. BOREAL ENVIRONMENT RESEARCH, 21, 53–70.
Retrieved from http://www.borenv.net/BER/pdfs/ber21/ber21-053.pdf
Ren, Z., Zheng, H., He, X., Zhang, D., Yu, X., & Shen, G. (2015). Spatial estimation of urban
forest structures with Landsat TM data and field measurements. Urban Forestry &
Urban Greening, 14(2), 336–344. http://doi.org/10.1016/j.ufug.2015.03.008
Riaño, D., Salas, J., & Chuvieco, E. (2000). Corrección Atmosférica y Topográfica ,
Información Multitemporal y Auxiliar Aplicadas a la Cartografía de Modelos de
Combustibles con Imágenes Landsat-TM. Tecnologías Geográficas Para El Desarrollo
Sostenible: IX Congreso Del Grupo de Métodos Cuantitativos, Sistemas de
Información Geográfica Y Teledetección, 222–239.
Richardson, A. J., & Wiegand, C. L. (1977). Distinguishing vegetation from soil background
information. Hotogrammetric Engineering and Remote Sensing, 43, 1541–1552.
Rocchini, D., Boyd, D. S., Féret, J.-B., Foody, G. M., He, K. S., Lausch, A., … Pettorelli, N.
(2016). Satellite remote sensing to monitor species diversity: potential and pitfalls.
Remote Sensing in Ecology and Conservation, 2(1), 25–36.
http://doi.org/10.1002/rse2.9
Rose, R. A., Byler, D., Eastman, J. R., Fleishman, E., Geller, G., Goetz, S., … Wilson, C.
(2015). Ten ways remote sensing can contribute to conservation. Conservation
Biology, 29(2), 350–359. http://doi.org/10.1111/cobi.12397
Rouse, J. W., & Haas, R. H. (1973). Monitoring vegetation systems in the great plain with
ERTS. Third ERTS Symposium, 1(309–317).
Roy, D. P., Kovalskyy, V., Zhang, H. K., Vermote, E. F., Yan, L., Kumar, S. S., & Egorov, A.
(2016). Characterization of Landsat-7 to Landsat-8 reflective wavelength and
normalized difference vegetation index continuity. Remote Sensing of Environment.
http://doi.org/10.1016/j.rse.2015.12.024
Running, S. W., Loveland, T. R., Pierce, L. L., Nemani, R. R., & Hunt, E. R. (1995). A remote
sensing based vegetation classification logic for global land cover analysis. Remote
Sensing of Environment, 51(1), 39–48. http://doi.org/10.1016/0034-4257(94)00063-S
Running, S. W., Nemani, R. R., Heinsch, F. A., Zhao, M., Reeves, M., & Hashimoto, H.
158
(2004). A continuous satellite-derived measure of global terrestrial primary production.
BioScience, 54(6), 547–560. Retrieved from
https://www.scopus.com/record/display.uri?eid=2-s2.0-
2942618334&origin=inward&txGid=0
Sun, Y., Piao, S., Huang, M., Ciais, P., Zeng, Z., Cheng, L., … Zeng, H. (2016). Global
patterns and climate drivers of water-use efficiency in terrestrial ecosystems deduced
from satellite-based datasets and carbon cycle models. Global Ecology and
Biogeography, 25(3), 311–323. http://doi.org/10.1111/geb.12411
U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center.
(2016a). LANDSAT_8 - Path: 9 Row: 52 for Scene: LC80090522013325LGN00. Sioux
Falls, South Dakota, USA: U.S. Geological Survey (USGS) Earth Resources
Observation and Science (EROS) Center. Retrieved from http://glovis.usgs.gov
U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center.
(2016b). LANDSAT_8 - Path: 9 Row: 52 for Scene: LC80090522016014LGN00. Sioux
Falls, South Dakota, USA: U.S. Geological Survey (USGS) Earth Resources
Observation and Science (EROS) Center. Retrieved from http://glovis.usgs.gov
U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National
Aeronautics and Space Administration (NASA). (2016a). Shuttle Radar Topography
Mission 1 Arc-Second Global: SRTM1N10W074V3. Sioux Falls, South Dakota, USA:
U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS)
Center. Retrieved from https://lta.cr.usgs.gov/SRTM1Arc
U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National
Aeronautics and Space Administration (NASA). (2016b). Shuttle Radar Topography
Mission 1 Arc-Second Global: SRTM1N10W075V3. Sioux Falls, South Dakota, USA:
U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS)
Center. Retrieved from https://lta.cr.usgs.gov/SRTM1Arc
U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National
Aeronautics and Space Administration (NASA). (2016c). Shuttle Radar Topography
Mission 1 Arc-Second Global: SRTM1N11W074V3. Sioux Falls, South Dakota, USA:
U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS)
Center. Retrieved from https://lta.cr.usgs.gov/SRTM1Arc
U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National
Aeronautics and Space Administration (NASA). (2016d). Shuttle Radar Topography
Mission 1 Arc-Second Global: SRTM1N11W075V3. Retrieved from
https://lta.cr.usgs.gov/SRTM1Arc
USGS. (2014). PRODUCT GUIDE LANDSAT SURFACE REFLECTANCE-DERIVED
SPECTRAL INDICES. Version 2.3.
UVed. (2016). ENVCAL - SUIVI DE L’ENVIRONNEMENT PAR TÉLÉDÉTECTION.
Retrieved from www.uved.fr
van Leeuwen, W. J. D. (2008). Monitoring the Effects of Forest Restoration Treatments on
Post-Fire Vegetation Recovery with MODIS Multitemporal Data. Sensors, 8(3), 2017–
2042. http://doi.org/10.3390/s8032017
van Leeuwen, W. J. D., Casady, G. M., Neary, D. G., Bautista, S., Alloza, J. A., Carmel, Y.,
… Orr, B. J. (2010). Monitoring post-wildfire vegetation response with remotely sensed
159
time-series data in Spain, USA and Israel. International Journal of Wildland Fire, 19(1),
75–93. http://doi.org/10.1071/WF08078
Walter, H. (1977). Zonas de vegetación y clima. Breve exposición desde el punto de vista
causal y global. Barcelona: Ed. Omega, S. A.
Wang, J., Sammis, T. W., Gutschick, V. P., Gebremichael, M., Dennis, S. O., & Harrison, R.
E. (2010). Review of Satellite Remote Sensing Use in Forest Health Studies. The Open
Geography Journal, 3(1), 28–42. http://doi.org/10.2174/1874923201003010028
Wang, L. T., & Deliberty, T. L. (2005). Landsat Atmospheric Correction : The Good , the Bad
, and the Ugly. ESRI International User Conference, 1–15.
Wang, Q., Adiku, S., Tenhunen, J., & Granier, A. (2005). On the relationship of NDVI with
leaf area index in a deciduous forest site. Remote Sensing of Environment, 94(2), 244–
255. http://doi.org/10.1016/j.rse.2004.10.006
Wilkes, P. T. V. (2016, January 13). Assessment of forest canopy vertical structure with
multi-scale remote sensing: from the plot to the large area. University of Twente,
Enschede, The Netherlands. Retrieved from
http://www.itc.nl/library/papers_2016/phd/wilkes.pdf
Xu, C., Li, Y., Hu, J., Yang, X., Sheng, S., & Liu, M. (2012). Evaluating the difference
between the normalized difference vegetation index and net primary productivity as the
indicators of vegetation vigor assessment at landscape scale. Environmental
Monitoring and Assessment, 184(3), 1275–1286. http://doi.org/10.1007/s10661-011-
2039-1
Xu, D., & Guo, X. (2015). Some Insights on Grassland Health Assessment Based on Remote
Sensing. Sensors, 15(2), 3070–3089. http://doi.org/10.3390/s150203070
Yang, X., & Guo, X. (2014). Quantifying responses of spectral vegetation indices to dead
materials in mixed grasslands. Remote Sensing, 6(5), 4289–4304.
http://doi.org/10.3390/rs6054289
Yu, G., Yu, Q., Hu, L., Zhang, S., Fu, T., Zhou, X., … Jia, H. (2013). Ecosystem health
assessment based on analysis of a land use database. Applied Geography, 44, 154–
164. http://doi.org/10.1016/j.apgeog.2013.07.010
Zhang, Y. M., Chen, J., Wang, L., Wang, X. Q., & Gu, Z. H. (2007). The spatial distribution
patterns of biological soil crusts in the Gurbantunggut Desert, Northern Xinjiang, China.
Journal of Arid Environments, 68(4), 599–610.
http://doi.org/10.1016/j.jaridenv.2006.06.012
Zhongming, W., Lees, B. G., Feng, J., Wanning, L., & Haijing, S. (2010). Stratified vegetation
cover index: A new way to assess vegetation impact on soil erosion. CATENA, 83(1),
87–93. http://doi.org/10.1016/j.catena.2010.07.006
Zhou, Y., Zhang, L., Xiao, J., Chen, S., Kato, T., & Zhou, G. (2014). A Comparison of
Satellite-Derived Vegetation Indices for Approximating Gross Primary Productivity of
Grasslands. Rangeland Ecology & Management, 67(1), 9–18.
http://doi.org/10.2111/REM-D-13-00059.1
Zhu, G., Ju, W., Chen, J. M., & Liu, Y. (2014). A Novel Moisture Adjusted Vegetation Index
(MAVI) to Reduce Background Reflectance and Topographical Effects on LAI Retrieval.
PLoS ONE, 9(7), e102560. http://doi.org/10.1371/journal.pone.0102560
160