Utilidad de imágenes Landsat 7 ETM+ de

diferentes fechas para la estimación de

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

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

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

resultado especialmente de la extracción

Introducción
El cambio del uso de la tierra es un proceso
relevante con consecuencias locales,
regionales y globales (Foley et al., 2005).
Principalmente, la deforestación es uno de los
cambios con mayor impacto sobre el ciclo del
carbono global. Sin embargo, otro proceso
importante es la degradación, la cual no
representa un reemplazo total del bosque pero
modifica la estructura y función del mismo como
forestal selectiva, pastoreo e incendios
(Nepstad et al., 2003; Asner et al., 2005;
Hougthon, 2005; Foley et al., 2007).
La biomasa aérea del bosque es una
variable clave para disminuir la incertidumbre
en las estimaciones de las emisiones de
carbono por deforestación, además de ser un
indicador útil para determinar el estado de
conservación de los bosques y su valor
económico. La medición de la biomasa en el
terreno implica procedimientos de muestreo
destructivo sumamente costosos y muchas
veces impracticables, por lo cual comúnmente
la misma se estima a partir de muestreos de
inventarios forestales aplicando fórmulas de
volumen. Además, la biomasa es variable en el
espacio y muchas veces responde no sólo a
factores climáticos y edáficos sino también a
patrones de uso humano. Es por ello que la
utilización de imágenes satelitales se presenta
como una herramienta adecuada para mejorar
las estimaciones de reservas de carbono y
elaborar mapas de biomasa.
La aplicación de imágenes satelitales para
la estimación de biomasa presentó buenos
resultados en bosques de zonas templadas
(Lawrence y Ripple, 1998; Boyd et. al., 2002;
Dong et. al., 2003). Por el contrario, en bosques
húmedos tropicales esta herramienta ha dado
resultados limitados al relacionar datos
satelitales con biomasa, índice de área foliar o
edad de los bosques secundarios (Nelson et.
al., 2000; Steininger, 2000; Foody et. al., 2001;
Lu et al., 2004). En los casos donde se
establecieron buenas relaciones, éstas no han
podido ser extrapoladas en el tiempo y el
espacio (Foody et al., 2003). Dado que las
imágenes satelitales adquiridas en diferentes
fechas permiten observar la respuesta espectral
de la superficie terrestre a lo largo del tiempo,
incluyendo diferentes estados fenológicos, los
estudios multitemporales permiten mejorar la
capacidad de monitorear variables biofísicas
respecto al uso de una única fecha (Dymond et
al., 2001; Cohen et al., 2003; Volcani et al.,
2004).
Los bosques secos tropicales y 1999).
subtropicales forman parte de los ecosistemas
más amenazados del mundo (Hoekstra et al.,
2005). En Sudamérica se encuentra la mayor
superficie de estos ecosistemas principalmente
en el Cerrado en Brasil y el Parque Chaqueño
en Argentina, Bolivia, Paraguay y una pequeña
porción de Brasil. Estos bosques están
sufriendo una rápida reducción de superficie
como consecuencia del avance de la frontera
agrícola (Klink y Machado, 2005; Grau et al.,
2005; Zak et al., 2004). En Argentina, debido
principalmente al cultivo de soja, la
deforestación ha sido de aproximadamente
200.000 ha/año entre los años 1998 y 2002 en
el Parque Chaqueño (UMSEF, 2007). A partir
de estimaciones preliminares obtenidas de
datos de inventario forestal, las emisiones de
CO2 resultantes del proceso de deforestación
representarían la mayor fuente de emisiones
del país (Gasparri y Manghi, 2004).
En este trabajo, se realiza un estudio
multitemporal de imágenes satelitales a fines
de evaluar su utilidad para la estimación de
biomasa aérea del bosque seco del Parque
Chaqueño de Argentina.
Materiales y Métodos
Área de estudio, diseño de muestreo y
mediciones de campo
El área de estudio está localizada en la
región forestal Parque Chaqueño (subregión
Semiárida) en el noroeste de Argentina (entre
23,5º S - 27º S y entre 62,5º O – 63,5º O),
particularmente en las provincias de Santiago
del Estero, Chaco, Salta y Formosa (Fig. 1).
Esta área está dominada por bosques xerófilos
y abarca aproximadamente 63.000 km2
incluyendo la mayor parte de la zona conocida
como El Impenetrable, el cual es la mayor área
de bosque continuo del país.
El área presenta un relieve plano con
suelos originados a partir de sedimentos
eólicos y fluviales provenientes de los ríos más
importantes de la región (Teuco, Bermejito y
Salado). Esta zona presenta altas temperaturas
con una media anual de 22-23ºC, siendo la
temperatura del mes más caluroso (Enero)
igual a 28ºC y la temperatura del mes más frío
(Julio) de 16ºC. Esta área corresponde a una
de las zonas más calurosas de América del Sur
presentando una tempertura máxima absoluta
mayor a 48ºC. La precipitación anual es baja
(entre 400 y 900 mm) con un marcado patrón
de estacionalidad de tipo monzónica y las
lluvias ocurren de noviembre a marzo (Minetti,
La vegetación nativa presente en el área de
estudio está caracterizada por un bosque
subtropical seco dominado por Schinopsis
lorentzii, Aspidosperma quebracho blanco y
Bulnesia sarmientoi asociadas con otras
especies como Ziziphus mistol, Caesalpinia
paraguayensis y Prosopis spp. (Cabrera, 1976).
Las especies más comunes dentro del estrato
superior son perennes (B. sarmientoi y A.
quebracho-blanco) y semideciduas (S.
lorentzii), mientras que en el estrato inferior son
deciduas como Z. mistol, Prosopis spp. y C.
paraguarensis (Hueck, 1978; Giménez y
Moglia, 2003). Estos bosques presentan una
variación importante en área basal desde 1 a
2
15 m /ha (Primer Inventario Nacional de
Bosques Nativos de Argentina, 2005). El
sotobosque está dominado principalmente por
 a b
SALTA
FORMOSA
P229R7
7 c
CHACO
P229R
78
SANTIAGO DEL ESTERO
Fig. 1. (a) Área de estudio (Imágenes Landsat
en punteado blanco) y unidades de muestreo,
(b) Argentina en Sudamérica y (c) Área de
estudio en el Parque Chaqueño en Argentina.
P: path, R: row.
arbustos o pastos y en algunos casos, por
suelo desnudo. La principal actividad
económica es la cría de ganado desarrollada
frecuentemente dentro del bosque. A su vez, la
producción de carbón y la extracción de leña
para el consumo local son actividades
importantes en la zona. En particular, se
desarrollan en esta área actividades agrícolas
incipientes que están restringidas por el
régimen de precipitación.
Los datos de campo utilizados en este
trabajo para estimar la biomasa aérea fueron
adquiridos en el año 2000 para la realización
del Primer Inventario Nacional de Bosques
Nativos de Argentina. En este trabajo, se
seleccionaron 15 unidades de muestreo (UM)
de un grupo de datos provenientes de un
diseño de muestreo sistemático (grilla de 50 x
50 km), los cuales fueron georreferenciados e
incorporados a un sistema de información
geográfica (SIG) (Fig. 1). El tamaño de cada
UM fue de 800 x 10 m donde se determinó la
especie y se midieron el diámetro a la altura del
pecho (DAP) y la altura de todos los árboles
con DAP mayor a 10 cm. Para cada UM se
estimó el volumen por especie utilizando
fórmulas estándares de volumen desarrolladas
por Sevola (1975). Posteriormente, se estimó la
biomasa aérea para cada una de las muestras
siguiendo la metodología propuesta por Brown
(1997), utilizando datos de densidad de madera
(peso seco por unidad de volumen)
provenientes del Instituto Nacional de
Tecnología Industrial (INTI-CITEMA, 2003).
Datos satelitales y su relación con
parámetros biofísicos
Debido a la complejidad de los ecosistemas
presentes en la región Parque Chaqueño, el
análisis temporal de datos espectrales permite
mejorar notablemente la capacidad para
discriminar la vegetación en la región (Cohen et
al., 2003). A fines de evaluar esta capacidad,
se adquirieron un grupo de imágenes satelitales
Landsat 7 ETM+ (path/row: 229/77 y 229/78)
(Fig. 1) de diferentes fechas: 28 Julio 2001, 9
Marzo 2002, 12 Mayo 2002, 24 Febrero 2003 y
13 Abril 2003. Este grupo de imágenes incluye
diferentes estados fenológicos de la
vegetación.
El preprocesamiento de las imágenes
comprendió la georreferenciación y el cálculo
de reflectancia en superficie. En una primera
etapa, las imágenes correspondientes a la
fecha del mes de Julio fueron
georreferenciadas utilizando parámetros
orbitales y puntos de referencia en el terreno
geolocalizados con un Sistema de
Posicionamiento Global (GPS) y dichas
imágenes georreferenciadas fueron utilizadas
como referencia para corregistrar el resto de las
imágenes. Para llevar a cabo la corregistración,
se identificaron 50 puntos de control para cada
imagen y se aplicó una transformación
polinómica de primer orden con un error
cuadrático medio menor al píxel (30 m),
utilizando como método de remuestreo el del
vecino más cercano. El sistema de proyección
utilizado fue el sistema oficial adoptado por
Argentina (Gauss Krüger, Datum WGS 84). En
una segunda etapa, se calculó la reflectancia
en superficie para todas las imágenes
utilizando la corrección atmosférica de Rayleigh
(Kaufman, 1989). Luego, se calcularon los
siguientes índices de vegetación: Índice de
Vegetación Normalizado (Normalized
Difference Vegetation Index - NDVI) e Índice de
Vegetación Ajustado al Suelo (Soil-Adjusted
Vegetation Index - SAVI). El NDVI es un índice
comúnmente utilizado que refleja las
características de la vegetación tales como
biomasa aérea, biomasa verde y contenido de
clorofila (Tucker, 1979). Dicho índice combina
la banda del rojo (RED) y la del infrarrojo
cercano (NIR) de la siguiente manera: NDVI =
(NIR – RED) / (NIR + RED). El SAVI fue
propuesto por Huete (1988) para minimizar la
variación espectral debida al aporte del tipo de
suelo presente debajo de la vegetación. Este
índice se calcula como SAVI = (1 + L) * (NIR –
RED) / (NIR + RED + L) donde L = 0.5 a fines
de reducir el efecto del suelo en una zona con
vegetación de densidad intermedia.
Luego, se generó para cada UM una Tabla 1. Biomasa estimada de las
transecta de 800 m y alrededor de la misma se unidades de muestreo
construyó un área buffer de 50 m, a partir de las
cuales se seleccionaron las muestras Unidad de Biomasa aérea
espectrales (reflectancia media de cada banda muestreo (Tn/ha)
de Landsat 7 ETM+ exceptuando la banda del
infrarrojo térmico) y las muestras de los índices 1 54,6
de vegetación (medias del NDVI y del SAVI). 2 135,0
Todos los procedimientos fueron realizados 3 79,4
utilizando los programas ArcView GIS 3.2a y 4 101,3
ERDAS Imagine 8.5. 5 92,5
Por último, se realizó una correlación de los 6 93,3
datos de biomasa aérea con los valores 7 99,4
espectrales de las diferentes bandas y con los 8 103,0
valores de los índices de vegetación calculados 9 103,5
para todas las fechas analizadas, utilizando una 10 122,6
prueba no paramética de Sperman a dos colas. 11 92,1
El análisis de las correlaciones obtenidas 12 132,6
permitirá identificar la mejor fecha para estimar 13 86,2
biomasa aérea en la zona de estudio a partir 14 125,4
del desarrollo de modelos empíricos, los cuales 15 113,0
son importantes para relacionar variables
biofísicas medidas a campo con datos En invierno (Julio) existe un cambio en la
provenientes de sensores remotos (Cohen et relación entre dichas bandas mientras que el
al., 2003). máximo relativo para la banda 2 desaparece.
Resultados Esto se debe a que los bosques abiertos
Las muestras seleccionadas para el área semideciduos disminuyen su actividad
de estudio (N=15) presentan valores de fotosintética debido a la pérdida de biomasa
biomasa aérea entre 54,6 y 135 Tn/ha y un verde durante esta estación del año. La banda
promedio de 102 Tn/ha (Tabla 1). 4 presenta una variación estacional: altos
Por otra parte, las firmas espectrales de las valores en la época lluviosa y bajos en la seca.
muestras correspondientes a las bandas ETM El comportamiento de los diferentes índices de
para cada fecha analizada evidencian el patrón vegetación para las distintas muestras en
común encontrado para los bosques secos en función de la biomasa aérea se muestra en la
la región Parque Chaqueño (Fig. 2), con bajos figura 3. El NDVI varía entre 0.44 en invierno
valores para las bandas 1 (azul) y 3 (rojo) y un (Julio) y 0.77 al final del verano (Marzo)
máximo relativo en la banda 2 (verde) en mientras que el SAVI evidencia menores
verano (Febrero y Marzo) y otoño (Mayo y Abril) variaciones (0,17 – 0,37) entre invierno y
de acuerdo al comportamiento de absorción y verano. El NDVI muestra una tendencia a
reflexión de la clorofila. Por el contrario, la aumentar a medida que los valores de biomasa
banda 4 (infrarrojo cercano) presenta una alta aumentan para la fecha de Mayo 2002, aunque
reflectancia debido a la reflexión de la las muestras 14, 12 y 2 no siguen este
estructura interna de la hoja (mesófilo) mientras comportamiento.
que las bandas 5 y 7 (infrarrojo medio) Por último, los coeficientes de correlación
muestran una disminución en la reflectancia (r) entre los valores de biomasa estimados a
como resultado de la absorción del contenido partir de mediciones en el campo y los valores
de agua en las hojas. La diferencia entre las espectrales e índices de vegetación se
bandas 4 y 5 es mayor en verano y también en observan en la tabla 2. La fecha del 12 Mayo
Abril. 2002 presenta más correlaciones significativas
que las demás fechas (bandas 2, 3, 5 y 7,
NDVI).
 25

28/07/2001 INVIERNO
09/03/2002 VERANO
12/05/2002 OTOÑO
20
24/02/2003 VERANO
13/04/2003 OTOÑO
Reflectancia en superficie (%)

15

10

0
B1 B2 B3 B4 B5 B7
Banda Landsat 7 ETM+

Fig. 2. Firmas espectrales para las fechas analizadas

correlaciones significativas entre la reflectancia

Discusión correspondiente a la banda del infrarrojo
A partir de los resultados obtenidos, el uso cercano (NIR) y la biomasa aérea del bosque,
de técnicas de sensoramiento remoto podría aunque los resultados presentados en este
ser de utilidad para la estimación de la biomasa trabajo no evidenciaron lo mismo. Dado que se
aérea del bosque en la subregión Semiárida del trata de un bosque abierto, es posible que el
Parque Chaqueño. Tal como proponen Feeley suelo esté influyendo en la señal que recibe el
et al. (2005) para los bosques secos de sensor. Al calcular el SAVI, el cual incorpora un
Venezuela, el bosque chaqueño también factor de corrección para reducir o suprimir el
presenta algunas ventajas sobre los bosques efecto del suelo (L), no se obtuvieron buenas
perennes en cuanto al uso de la teledetección correlaciones, aunque probablemente un sólo
ya que en esta zona es más factible obtener valor de L no abarca la totalidad de la variación
imágenes libres de nubes y además existen de los tipos de suelo que caracterizan la región.
ciclos fenológicos marcados, representando La posibilidad de explorar datos
diferentes oportunidades para detectar las multitemporales permitió encontrar una
características de la vegetación. correlación significativa entre datos satelitales y
En cuanto a las correlaciones, se biomasa aérea al comienzo de la estación seca
presentaron en este trabajo coeficientes de (otoño) mientras que no se obtuvieron buenos
correlación significativos entre NDVI y biomasa resultados para las fechas correspondientes a
aérea para la fecha del 12 Mayo 2002 (r = verano e invierno. Esto podría deberse a una
0.559, p < 0.05), comparables con los respuesta fenológica diferencial de los tipos de
obtenidos para NDVI y biomasa en Brasil y vegetación (árboles, arbustos y pastos) a las
Tailandia (Foody et al., 2003), NDVI y cobertura condiciones climáticas que se presentan a lo
arbórea en Venezuela (Feeley et al., 2005) y largo del año.
reflectancia de las bandas TM y biomasa en Si bien no se dispone de trabajos
Brasil (Steininger, 2000). específicos para la región Parque Chaqueño,
Dado que los bosques secos de la región en general la fenología de los árboles está
Parque Chaqueño no presentan alta biomasa regulada principalmente por los mecanismos de
aérea, el NDVI no alcanzó valores elevados y almacenamiento de agua en la planta y el
por lo tanto el problema de saturación de dicho acceso a las reservas de agua subterránea
índice discutido en otros trabajos (Gilabert et (Borchert, 1994; William et al., 1997; Do et al.,
al., 1997; Purevdorj et al., 1998; Dong et al., 2005). Los árboles tienen una rápida reacción
2003) no resultó relevante en el área de cuando reciben las primeras precipitaciones al
estudio. comienzo de la estación lluviosa y por lo tanto
Por otra parte, Asner (1998) encontró la aparición de las hojas ocurre sin un
 0.90

0.80

0.70

NDVI
0.60

0.50

0.40

0.30
1 3 13 11 5 6 7 4 8 9 15 10 14 12 2

0.40

0.35

0.30
SAVI

0.25

0.20

0.15

0.10
1 3 13 11 5 6 7 4 8 9 15 10 14 12 2

Unidad de muestreo

Fecha 28-jul-01 09-mar-02 12-may-02 24-feb-03 13-abr-03

Fig. 3. Índices de vegetación para las unidades de muestreo analizadas en las diferentes fechas.
Las muestras se encuentran en orden creciente de biomasa.

importante desfasaje en el tiempo. Pero la rápida respuesta a la disminución en las

pérdida de las hojas en los mismos responde
más lentamente a la disminución de las lluvias
y la defoliación no estaría regulada
exclusivamente por la falta de precipitaciones
sino también por un complejo mecanismo
relacionado con la evapotranspiración y la
disponibilidad de agua subterránea. Por el
contrario, la vegetación que tiene acceso sólo
al agua superficial (arbustos y pastos) tiene una
precipitaciones, reduciendo su actividad
fotosintética al comienzo de la estación seca
(William y Running, 2004; Do et al., 2005;
Spessa et al., 2005). En este sentido, el ciclo
fenológico del bosque chaqueño estaría
respondiendo al mecanismo general descripto
para otros bosques secos, donde los arbustos y
pastos se ven afectados por la sequía al
comienzo de la estación seca (Abril-Mayo) dado

Banda Espectral Landsat 7 ETM+
Fecha
B1 B2 B3 B4
28JUL01 -0,200 -0,088 -0,144 -0,174
09MAR02 -0,365 -0,541* -0,497 -0,141
12MAY02 -0,493 -0,514* -0,614* -0,057
24FEB03 -0,326 -0,453 -0,288 -0,338
13ABR03 -0,597** -0,629** -0,421 -0,262
Tabla 2. Coeficientes de correlación entre biomasa aérea y datos espectrales e índices de vegetación.
(* p < 0.05 y ** p < 0.01)
que poseen solamente raíces superficiales
mientras que los árboles tienen mayor
capacidad de explorar y utilizar las aguas
subterráneas y por lo tanto, la defoliación
comenzaría a mediados de la estación seca
(Junio-Agosto) con un máximo al final de la
misma (Septiembre-Noviembre). Sumado a
esto, las primeras heladas en Mayo tienen un
gran efecto sobre los pastos y arbustos,
declinando su actividad fotosintética en la
subregión Semiárida del Parque Chaqueño
(Kunst y Bravo, 2003). En consecuencia, el
comienzo de la estación seca (Abril-Mayo),
cuando la mayor proporción de la actividad
fotosintética corresponde a los árboles, sería el
período más apropiado para relacionar datos
satelitales con cobertura de árboles y biomasa
desarrollando modelos de regresión.
La variación climática interanual también
podría afectar la fenología y por lo tanto la
respuesta espectral, indicando que es
importante considerar la situación particular de
cada año a fines de mejorar las estimaciones. A
partir de datos climáticos del centro del área de
estudio (Taco Pozo, provincia del Chaco)
(Galván et al., 2003; SAGPyA, 2007),
característicos del régimen semiárido, se
conoce por ejemplo que las precipitaciones
correspondientes a las seis semanas previas a
la fecha de adquisición de las imágenes de
Abril 2003 (comienzo de la estación seca) fue
mayor que la media histórica para dicho
período (aproximadamente 344 y 145 mm
respectivamente), representando más de la
mitad de las precipitaciones anuales
(aproximadamente 650 mm). Es por ello, que la
firma espectral para Abril 2003 fue similar a
ambas fechas de verano (Fig. 2), cuando las
precipitaciones son mayores, presentando
también en este caso la mayoría de las
correlaciones no significativas (Tabla 2).
Posiblemente, datos satelitales de Abril de un
Índices de
Vegetación
B5 B7 NDVI SAVI
-0,159 -0,218 0,035 -0,050
-0,574* -0,465 0,465 0,144
-0,521* -0,654** 0,559* 0,203
-0,397 -0,356 0,191 -0,090
-0,182 -0,156 0,253 -0,129
año con precipitaciones normales podría
mostrar respuestas similares a las encontradas
para Mayo 2002. Por otra parte, las
precipitaciones correspondientes a las seis
semanas previas al 12 Mayo 2002 fueron
similares a los valores medios históricos (60
mm).
Conclusiones
La información de la estructura del bosque
y especialmente la biomasa a nivel regional es
fundamental para estudios de cambio global.
Los resultados presentados en este trabajo
sugieren que las imágenes satelitales Landsat
7 ETM+ proveen datos valiosos que pueden ser
relacionados con información de campo para
desarrollar metodologías de monitoreo de
biomasa aérea de los bosques secos de la
subregión Semiárida del Parque Chaqueño.
El mecanismo fenológico, fuertemente
asociado con la disponibilidad de agua, resulta
crítico para determinar la época más apropiada
de adquisición de imágenes satelitales. De este
trabajo se deduce que el uso de datos
satelitales de comienzos de la estación seca
permitiría estimar la biomasa aérea dado que
los pastos y arbustos sufren más intensamente
las restricciones hídricas que los árboles en
esta época en un año con régimen normal de
precipitaciones.
Referencias
Asner, G.P. 1998. Biophysical and biochemical
sources of variability in canopy reflectance.
Rem. Sens. Environ. 64, 234-253.
Asner, G., Knapp, D., Broadbent, E., Oliveira,
P., Keller, M., Silva, J. 2005. Selective logging
in the Brazilian Amazon. Science 310, 480-482.
Borchert, R. 1994. Soil and stem water storage
determine phenology and distribution of tropical
dry forest trees. Ecology 75, 1437-1449.
Boyd, D.S., Foody, G.M., Ripple, W.J. 2002.
Evaluation of approaches for forest cover
estimation in the Pacific Northwest, USA, using
remote sensing. Appl. Geography 22, 375-392.
Brown, S. 1997. Estimating Biomass and
Biomass Change of Tropical Forests: a Primer.
FAO Forestry Paper Nº 134.
Cabrera, A.L. 1976. Regiones Fitogeográficas
de Argentina. ACME, Buenos Aires.
Cohen, W., Maiersperger, T., Gower,
S., Turner, D.P. 2003. An improved strategy for
regression of biophysical variables and Landsat
ETM+ data. Rem. Sens. Environ. 84, 561-571.
Do, F., Goudiaby, V., Gimenez, O., Diagne, A.,
Diouf, M., Rocheteau, A., Akpo, L. 2005.
Environmental influence on canopy phenology
in the dry tropics. For. Ecol. Man. 215, 319-328.
Dong J., Kaufmann, R., Myneni, R.B., Tucker,
C.J., Kauppi, P.E., Liskid, J., Buermann, W.,
Alexeyev, V., Hughes, M.K. 2003. Remote
sensing estimates of boreal and temperate
forest woody biomass: carbon pools, sources,
and links. Rem. Sens. Environ. 84, 393-410.
Feeley, K., Gillespie, T., Terborgh, J. 2005. The
utility of spectral indices from Landsat ETM+ for
measuring the structure and composition of
tropical dry forest. Biotropica 37, 508-519.
Foley, J., DeFries, R., Asner, G., Barford, C.
Bonan, G., Carpenter, S., Chapin, F., Coe, M.,
Daily, G., Gibbs, H., Helkowski, J., Holloway, T.,
Howard, E., Kucharik, C., Monfreda, C., Patz,
J., Prentice, I., Ramankutty, N., Snyder, P.
2005. Global consequences of land use.
Science 309, 570-574.
Foley, J., Asner, G., Costa, M., Coe, M.,
DeFries, R., Gibbs, H., Howard, E., Olson, S.,
Patz, J.A., Ramankutty, N., Snyder, P. 2007.
Amazonia revealed: forest degradation and loss
of ecosystem goods and services in the
Amazon Basin. Front. Ecol. Environ. 5, 25-32.
Foody, G., Cutler, M., McMorrow, J., Pelz D.,
Tangki, H., Boyd, D., Douglas, I. 2001. Mapping
the biomass of Bornean rain forest from
remotely sensed data. Global Ecol. Biogeogr.
10, 379-387.
Foody, G., Boyd, D., Cutler, M. 2003. Predictive
relations of tropical biomass from Landsat TM
data and their transferability between regions.
Rem. Sens. Environ. 85, 463-474.
Galvan, L., Infante, C., Acuña, L.R., Angueira,
C. 2003. Análisis espacial de precipitaciones en
la provincia de Santiago del Estero a escalas
temporales mensual y anual. Proceedings
Congreso Regional de Ciencia y Tecnología
NOA. SeCyT. Univ. Nacional de Catamarca.
Gasparri, N.I., Manghi, E. 2004. Estimación de
volumen, biomasa y contenido de carbono de
las regiones forestales argentinas. UMSEF.
Dirección de Bosques, SAyDS, Argentina.
http://www.ambiente.gov.ar/archivos/web/UMS
EF/File/volumen_biomasa_carbono.pdf
Gilabert, M.A., González-Piqueras, J., García-
Haro, J. 1997. Acerca de los índices de
vegetación. Revista de teledetección 8, 1-10.
Giménez, A.M., Moglia, J.G., 2003. Árboles del
Chaco Argentino: guía para el reconocimiento
dendrológico. UNSE-SAyDS, Argentina.
Grau, H., Gasparri, N., Aide, T. 2005.
Deforestation trends and soybean expansion in
subtropical Argentina. Envir. Cons. 32,140-148.
Hoekstra, J., Boucher, T., Ricketts, T., Roberts,
C. 2005. Confronting a biome crisis: global
disparities of habitat loss and protection.
Ecology Letters 8, 23-29.
Hougthon, R.A. 2005. Aboveground forest
biomass and the global carbon balance. Global
Change Biol. 11, 945-958.
Hueck, K. 1978. Los bosques de Sudamérica.
Ecología, composición e importancia
económica. GTZ, Eschborn, BRD.
Huete, A.R. 1988. A soil-adjusted vegetation
index (SAVI). Rem. Sens. Envir. 25, 295-309.
INTI – CITEMA , 2003. Listado de densidades
de maderas. http://www.inti.gov.ar/maderas/pdf/
densidad_cientifico.pdf
Kauffman, Y.J. 1989. The atmospheric effect on
remote sensing and its correction. In: Asrar, G.
(Ed.), Theory and Application of Optical Remote
Sensing. New York.
Klinck, C., Machado, R. 2005. Conservation of
the Brazilian Cerrado. Cons. Biol. 19, 703-713.
Kunst, C.R., Bravo, S. 2003. Ecología y
régimen de fuego en la región chaqueña
argentina. In: Kunst, C.R., Bravo, S., Panigatti,
J.L. (Eds.), Fuego en los ecosistemas
argentinos. INTA. Sgo. del Estero, pp. 109-118.
Lawrence, R.L., Ripple, W.J. 1998.
Comparisons among vegetation indices and
bandwise regression in a highly disturbed,
heterogeneous landscape: Mount St. Helens,
Washington. Rem. Sens. Environ. 64, 91-102.
Lu, D., Mausel, P., Brondízio, E., Moran, E.
2004. Relationships between forest stand
parameters and Landsat TM spectral responses
in the Brazilian Amazon Basin. For. Ecol.
Manage. 198, 149-167.
Minetti, J.L. 1999. Atlas Climático del Noroeste
Argentino. Laboratorio Climatológico
Sudamericano, Tucumán, Argentina.
Nelson, R., Kimes, D.S., Salas, W.A., Routhier,
M. 2000. Secondary forest age and tropical
forest biomass estimation using thematic
mapper imagery. Bioscience 50, 419-431.
Nepstad, D., Verissimo, A., Alencart, A., Nobre,
C., Lima, E., Lefebvre, P., Schlesinger, P.,
Potter, C., Moutinho, P., Mendoza, E.,
Cocrhane, M., Brooks, V. 2003. Large-scale
impoverishment of Amazonian forests by
logging and fire. Nature 398, 505-5008.
Primer Inventario Nacional de Bosques Nativos
de Argentina. 2005. Proyecto Bosques Nativos
y Áreas Protegidas. Secretaría de Ambiente y
Desarrollo Sustentable, Buenos Aires.
Purevdorj, T., Tateishi, R.T.I., Honda, Y. 1998.
Relationships between percent vegetation cover
and vegetation indices. Int. J. Rem. Sens. 19,
3519-3535.
SAGPyA (Secretaría de Agricultura Ganadería
Pesca y Alimentación). 2007. Registro
pluviométricos semanales 1999-2004.
http://www.sagpya.mecon.gov.ar/.
Sevola, Y. 1975. Cubicación de árboles en el
inventario forestal del noroeste argentino.
Spessa, A., McBeth, B., Prentice, C. 2005.
Relationship among fire frequency, rainfall and
vegetation patterns in the wet-dry tropics of
northern Australia: an analysis based on NOAA-
AVHRR data. Global Ecology and
Biogeography 14, 439-454.
Steininger, M.K. 2000. Satellite estimation of
tropical secondary forest above-ground
biomass: data from Brazil and Bolivia. Int. J.
Rem. Sens. 21, 1139-1157
Tucker, C.J. 1979. Red and photographic
infrared linear combinations for monitoring
vegetation. Rem. Sens. Environ. 8, 127-150.
UMSEF. 2007. Monitoreo de la superficie de
bosque nativo de Argentina.
www.ambiente.gov.ar/umsef
William, M. J., Running, S.W. 2004. Effect of
precipitation and soil water potential on drought
deciduous phenology in the Kalahari. Global
Change Biol.10, 303-308.
Williams, R.J., Myers, B.A., Muller, W.J., Duff,
G.A., and Eamus, D. 1997. Leaf phenology of
woody species in a north Australian tropical
savanna. Ecology 78, 2542-2558.
Zak M., Cabido, M., Hodgson, J. 2004. Do
subtropical seasonal forests in the Gran Chaco,
Argentina, have a future? Biol. Cons. 120, 589-
598.