Uso de Índices de Vegetación Para Determinar
Cambios Temporales en Los Andes del Ecuador.
Acurio Emmanuel. Blgo. Danilo Mejía. Universidad de Cuenca, Facultad de Ciencias Químicas,
Carrera de Ingeniería Ambiental. Asignatura: Sensores Remotos.
Cuenca – Ecuador. emmanuel.acurio97@ucuenca.edu.ec
1. Introducción
Durante los últimos años hemos sido
testigos de conductas climáticas anómalas.
Entre los fenómenos observados se encuentra
la variación de la temperatura, siendo la
causa principal el incremento de las
emisiones de los gases de efecto invernadero,
la creciente demanda elevaría los niveles de
emisiones, acelerando el calentamiento. Es
de esperar que estos cambios repercuten en
los patrones de distribución de la biota del
suelo. Estos efectos podrían ser más severos
en ecosistemas de alta montaña, debido a la
diversidad biológica asociada a su
variabilidad altitudinal (Xue & Su, 2017).
Desde inicios de la década de los 70, las
imágenes satelitales han permitido capturar
imágenes e información necesaria para llevar
a cabo análisis de cobertura vegetal, estos
estudios son relevantes en el área de la
teledetección, debido que permite realizar un
adecuado manejo y evaluación de los
recursos naturales. El uso de sensores
remotos ha conducido a un avance
significativo en lo que respecta el análisis de
ecosistemas; los distintos aspectos del
funcionamiento de un ecosistema se pueden
monitorear en función de las propiedades
espectrales únicas de la vegetación, por
ejemplo, el uso de índices de vegetación,
como el índice de vegetación de diferencia
normalizada (NDVI) por sus siglas en inglés,
o el índice de vegetación mejorada (EVI),
estos índices se fundamentan en que la
clorofila absorbe luz en la longitud de onda
roja mientras que el mesófilo dispersa la luz
en el infrarrojo cercano. Estos índices son de
vital importancia al momento de presentar un
análisis de cobertura vegetal, debido que
identifican la señal fotosintética activa de la
región de interés. Estos índices han
demostrado ser útiles al momento de evaluar
la dinámica y el estado de conservación de la
vegetación del suelo, la fenología de las
plantas y la estructura del dosel (Gandhi,
Parthiban, Thummalu, & Christy, 2015).
El problema latente al usar imágenes
satelitales multiespectrales es la nubosidad,
debido a que los sensores pasivos no pueden
penetrar las nubes, por lo tanto, no hay
recolección de datos en días nublados (Jiang
et al., 2015). Para fines de esta investigación
se utilizó la colección de índices de
vegetación de los conjuntos de datos
provenientes de MODIS-TERRA
proporcionados por la NASA. El objetivo
principal de la misión TERRA (EOS) es
estudiar la cantidad y el papel de la
vegetación terrestre en los procesos globales
a gran escala con el fin de comprender cómo
funciona la Tierra. Terra lleva una carga útil
de cinco sensores remotos, siendo uno de
ellos el sensor MODIS (Moderate-
Resolution Imaging Spectroradiometer), los
productos MODIS (MOD13) proporcionan
comparaciones constantes, espaciales y
temporales de las condiciones de la
vegetación global (Cao, Chen, Shen, & Tang,
2015) .
2. Área de estudio
La región andina del Ecuador limita al norte
con Colombia y al sur con Perú, cubre una
superficie aproximada de 59.810 Km2 y un
rango altitudinal que varía entre 400 y 6268
m s. n. m. El área estudiada en esta
investigación abarca las provincias de Spectroradiometer), el cual se encuentra
Pichincha, Carchi, Tungurahua, cargado en el satélite TERRA de la NASA,
Chimborazo, Cañar, Azuay, Loja, Imbabura, producto MOD13Q1, disponible en una
Bolívar y Cotopaxi como se muestra en la composición de 16 días, encontrándose en
figura 1. una resolución espacial de 250m (Didan,
Munoz, & Huete, 2015). Las imágenes se
La región de los Andes se encuentra formada
encuentran disponibles en el sitio web del
por una sola cordillera en la región sur,
servicio geológico de Estados Unidos
mientras que la zona norte y central se divide
(https://mrtweb.cr.usgs.gov). Las imágenes
en dos (cordillera occidental y oriental)
se encuentran disponibles en la plataforma a
separados por el callejón interandino
partir del año 2000 hasta la actualidad.
(Baquero et al., 2004).
Las imágenes MOD13Q1 proporciona dos
La combinación de factores geológicos y
capas de vegetación primaria, la primera
climáticos, sumada a una alta variedad de
banda dispone del índice de vegetación
flora y fauna ha permitido a esta zona
diferencia normalizada (NDVI, por sus siglas
sustentar diversos hábitats que acogen una
en ingles), la segunda capa de vegetación es
gran riqueza biológica (Hofstede et al.,
el índice de vegetación mejorada (EVI, por
1998), esta zona forma parte de los
sus siglas en inglés) (Didan et al., 2015). El
denominados puntos calientes de
archivo descargado en formato HDF incluye
biodiversidad, denominado “Andes
dos capas de calidad, junto a bandas de
Tropicales” (Myers et al., 2000). Se ha
infrarrojo cercano (NIR), infrarrojo medio
registrado un total de 9865 especies
(MIR), banda azul, así como cuatro capas de
vegetales; representando un 64% del total
observación (Miranda, Paranho Filho, &
nacional (Jorgense, Leon,1999).
Pott, 2018).
Este estudio se llevó a cabo desde el año
El algoritmo de procesamiento de las
2000, hasta el año 2019, tomando un
imágenes elige el mejor valor de pixel de
intervalo de 2 años, constituyendo un total de
todas las imágenes obtenidas durante un
9 años. Se tomaron en cuenta 2 temporadas,
periodo de 16 días. Es de interés recalcar que
el periodo seco (Abril/Mayo), y el periodo
estas imágenes cubren la región de estudio en
húmedo (Septiembre/Noviembre) con el fin
un solo día, evitando variaciones generadas
de analizar las diferencias entre estos meses.
por las estaciones, nubosidad, y fenológicas
(Didan et al., 2015).

Figura 1 Área de estudio Figura 2 Bandas Disponibles MOD13Q1

3. Metodología 3.2 Procesamiento de Imágenes

3.1 Descripción de Imágenes (MOD13Q1)
(MOD13Q1) Al momento de descargar las imágenes se
Para realizar este trabajo de investigación, se consideró el porcentaje de nubosidad de cada
obtuvo imágenes del sensor MODIS imagen, esta información se encuentra
(Moderate Resolution Imaging disponible en los metadatos descargados
junto a la imagen. Es importante trabajar con
imágenes de bajo porcentaje de nubosidad,
puesto que MODIS es un sensor pasivo, y los
porcentajes altos de cobertura de nubes
interfiere con la información colectada
(Villamuelas et al., 2016). Cabe mencionar
que los productos MODIS incluyen una
corrección geométrica y radiométrica, lo que
facilita su uso al momento de procesar las
imágenes (Miranda et al., 2018).
Las imágenes no poseen un sistema de
georreferenciación, por lo que se debe
realizar una proyección geográfica, de esta
manera se asigna el datum requerido, en este
caso WGS_1984_UTM_Zone_17s. Una vez
referenciada las imágenes se debe realizar un
mosaico, puesto que la región andina del
Ecuador se encuentra contenida en 2
imágenes.
. imagen MOD13Q1 presenta valores entre un
Figura 3 Diagrama de procesamiento de
imágenes
3.3 Construcción de la Base de Datos
Para la creación de la serie de datos, se
extrajo los valores de cada pixel a partir de
una capa de puntos creada aleatoriamente
dentro de la región de estudio, representado
estos puntos una muestra significativa del
10% del total de la población. Para facilitar
el manejo de los datos se generó un archivo
que contenga los datos de los años en
cuestión.
3.4 Índices de Vegetación (IV)
 NDVI (Normalized Difference
Vegetation Index)
El índice de vegetación diferenciada
normalizada (NDVI, por sus siglas en inglés)
es usado generalmente para diferenciar áreas
con o sin vegetación, así como la salud de la
misma (Rani et al., 2018).
Según (Atiqa Ijaz Khan, 2015) los índices de
vegetación se basan en el principio de
absorción de la luz durante el proceso de
fotosíntesis, donde la planta absorbe la
radiación solar y al reflejar la misma existe
una dispersión causada por la estructura
interna de la hoja, para realizar el cálculo se
requiere de la relación (NIR-
RED/NIR+RED) entre las bandas de
infrarrojo cercano (NIR) y la banda roja
(RED), esta fórmula emperica fue diseñada
de tal modo que los valores negativos
representen superficies descubiertas.
La capa de vegetación contenida en la
rango de -1 a +1, estos valores expresan el
contenido de clorofila presente en la
vegetación, donde valores más altos de
indican una vegetación densa y saludable,
mientras que valores bajos indican zonas
escasas de vegetación (Eckert, Hüsler,
Liniger, & Hodel, 2015)
Los valores inferiores a 0.1 representan áreas
áridas, rocosas, arena, nieve, y cuerpos de
agua, valores entre 0.2-0.3 presencia de
vegetación arbustiva y pastizales, valores de
0.4-0.6 bosque secundario, mientras que
valores superiores a 0.8 hacen referencia a
bosques nativos (Adhikari et al., 2015).
 EVI (Enhanced Vegetation Index)
El índice de vegetación mejorada (EVI, por
sus siglas en inglés) es usado para cuantificar
variaciones estructurales del dosel en zonas
donde existe alta biomasa, este índice es útil
para determinar cambios temporales debido
que tiene gran sensibilidad para diferenciar la
cobertura foliar y el estado de crecimiento de
la vegetación. Para el cálculo del índice se
parte de la relación (1) entre la reflectancia
de la banda roja (RED), tomando en cuenta
los datos de reflectancia de la banda azul
(Nepita-Villanueva, Berlanga-Robles, Ruiz-
Luna, & Morales Barcenas, 2019). La
adición de la banda azul a este índice tiene
gran importancia al momento de ajustar los 4. Resultados y Discusión
valores con el fin de obtener un menor
Para tener una visión más clara acerca del
contraste debido a la atenuación atmosférica,
comportamiento de NDVI, EVI, y SAVI se
es decir disminuye el efecto de la atmosfera
generaron gráficos evolutivos (Fig. 4,5,6)
en la señal captada, por lo que EVI tiende a
tomando en cuenta los 9 años en cuestión,
funcionar de mejor manera en las zonas de la
al analizar los resultados estadísticos se
Tierra que tiene mayor atenuación, por
observa que los valores de NDVI
ejemplo, en lugares donde la humedad toma
disminuyen considerablemente durante los
valores altos, es decir en regiones
años 2000, 2002, 2004, y 2006, como se
ecuatoriales del planeta (He et al., 2018).
puede evidencia en las tablas de frecuencia
anexadas (Tabla 1,2,3).

(1)
Donde:
NIR: Banda de infrarrojo cercano
RED: Banda roja
BLUE: Banda azul
G: Factor de ganancia (2.5)
C1&C2&L: Factor de corrección de Figura 4 Variación de la media de NDVI, EVI, y SAVI desde
resistencia térmica C1=6, C2=7.5 y L=1 el año 2000-2019

 SAVI (SOIL AJUSTED

VEGETATION INDEX)
El índice SAVI fue desarrollado por Huete en
el año de 1988 con el fin de cuantificar la
cantidad de clorofila de la vegetación, es por
esto que es similar al índice NDVI, con la
diferencia de que se suprime los efectos de
los pixeles del suelo descubierto, corrigiendo
Figura 5 Variación de la media de NDVI, EVI, y SAVI desde
la influencia del brillo del suelo cuando la el año 2000-2019 (Periodo Húmedo)
vegetación se encuentra en proporciones
bajas (Ren, Zhou, & Zhang, 2018).

(2)
En la ecuación 2 se encuentra el factor L, el
cual toma en cuenta la variación de fondo del
suelo, existen 3 criterios para la asignación
del factor de corrección, el primer caso
cuando la vegetación se encuentra en
términos relativamente altos entonces L Figura 6 Variación de la media de NDVI, EVI, y SAVI desde
asume el valor de 0.2783, cuando L es igual el año 200-2019 (Periodo Seco)
a 0.5 la vegetación se encuentra en valores
intermedios y L=1 cuando la densidad de
vegetación es muy baja (Stoiconi & Neda,
2017). Para fines de este estudio se decidió
utilizar un factor L de 0.2783.

Tabla 1 Frecuencia relativa de NDVI año 2000/2002
Tabla 2 Frecuencia relativa de NDVI año 2002/2004
Tabla 3 Frecuencia relativa de NDVI año 2006/2009
Tabla 4 Frecuencia relativa de NDVI año 2012/2014
Tabla 5 Frecuencia relativa de NDVI año 2014/2019
El descenso de NDVI durante los años 2000-
2006 se puede asociar a periodos de sequía
prolongados y los años donde se evidencia
un aumento en el valor medio
correspondería a periodos donde la
precipitación fue elevada (Eckert et al.,
2015).
Es notable que durante estos años el índice
EVI se mantiene relativamente constante,
confirmando que este índice funciona
correctamente ante la atenuación
atmosférica, es decir no importa la cantidad
de humedad presente en el medio (He et al.,
2018).
5. Conclusión
Al analizar los datos estadísticos de NDVI,
EVI, y SAVI se evidencia que existe una
variación positiva a través de los años de
estudio, ya que el porcentaje de vegetación
sana aumento un 13% a lo largo de esto
tiempo, es probable que este aumento se
deba a los programas de conservación,
gestión, y manejo ambiental, mediante la
declaratoria de varias reservas de área y
vegetación de bosque protectoras.
6. Bibliografía
Adhikari, H., Heiskanen, J., Maeda, E., &
Pellikka, P. (2015). Does Topographic
Normalization of Landsat Images Improve
Fractional Tree Cover Mapping in Tropical
Mountains International Archives of the
Photogrammetry, Remote Sensing &
Spatial Information Sciences, 40(7): 261-
267
Atiqa Ijaz Khan. (2015). Application of TCT as a
Remote Sensing Change Detection
Technique: A Temporal
BAQUERO F, SIERRA R, ORDÓÑEZ L, TIPÁN M,
ESPINOSA L, RIVERA MB, SORIA P (2004)
La Vegetación de los Andes del Ecuador
Memoria explicativa de los mapas de
vegetación: potencial y remanente a
escala 1:250000 y del modelamiento
predictivo con especies indicadoras.
EcoCiencia/CESLA/Corporación
EcoPar/MAG SIGAGRO/CDC - Jatun
Sacha/División Geográfica - IGM Quito.
Cao, R., Chen, J., Shen, M., & Tang, Y. (2015). An
improved logistic method for detecting
spring vegetation phenology in grasslands
from MODIS EVI time-series data.
Agricultural and Forest Meteorology, 200,
9–20.
https://doi.org/10.1016/j.agrformet.2014.
09.009
Didan, K., Munoz, A. B., & Huete, A. (2015).
Mod13_User_Guide.Pdf. 2015(June).
Eckert, S., Hüsler, F., Liniger, H., & Hodel, E.
(2015). Trend analysis of MODIS NDVI
time series for detecting land degradation
and regeneration in Mongolia. Journal of
Arid Environments, 113, 16–28.
https://doi.org/10.1016/j.jaridenv.2014.0
9.001
Gandhi, G. M., Parthiban, S., Thummalu, N., &
Christy, A. (2015). Ndvi: Vegetation
Change Detection Using Remote Sensing
and Gis - A Case Study of Vellore District.
Procedia Computer Science, 57, 1199–
1210.
https://doi.org/10.1016/j.procs.2015.07.4
15
He, D., Yi, G., Zhang, T., Miao, J., Li, J., & Bie, X.
 (2018). Temporal and spatial
characteristics of EVI and its response to
climatic factors in recent 16 years based
on grey relational analysis in Inner
Mongolia Autonomous Region, China.
Remote Sensing, 10(6).
https://doi.org/10.3390/rs10060961
HOFSTEDE R, LIPS J, JONGSMA W, SEVINK J
(1998) Geografía Ecología y Forestación de
la Sierra alta del Ecuador. Revisión de
Literatura, EcoPar/Abya Yala, Quito.
Jiang, W., Yuan, L., Wang, W., Cao, R., Zhang, Y.,
& Shen, W. (2015). Spatio-temporal
analysis of vegetation variation in the
Yellow River Basin. Ecological Indicators,
51, 117–126.
https://doi.org/10.1016/j.ecolind.2014.07
.031
JØRGENSEN P, LEÓN S (Eds) (1999) Catalogue of
the Vascular Plants of Ecuador. Missouri
Botanical Garden Press, Herbario de la
Pontificia Universidad Católica del
Ecuador, Herbario Nacional, Museo
Ecuatoriano de Ciencias Naturales,
Departament of Systematic Botany Aarhus
University, Quito.
Miranda, C. de S., Paranho Filho, A. C., & Pott,
A. (2018). Changes in vegetation cover of
the Pantanal wetland detected by
Vegetation Index: a strategy for
conservation. Biota Neotropica, 18(1), 1–
6. https://doi.org/10.1590/1676-0611-bn-
2016-0297
MYERS N, MITTERMEIER RA, MITTERMEIER CG,
DA FONSECA GAB, KENT J (2000)
Biodiversity hotspots for conservation
priorities. Nature 403: 853-858. Atiqa Ijaz
Khan. (2015). Application of TCT as a
Remote Sensing Change Detection
Technique: A Temporal Case Study of
Lahore District - Pakistan. (February).
V. P. (2018). Multi-temporal NDVI and
surface temperature analysis for Urban
Heat Island inbuilt surrounding of sub-
humid region: A case study of two
geographical regions. Remote Sensing
Applications: Society and Environment,
10, 163–172.
https://doi.org/10.1016/j.rsase.2018.03.0
07
Ren, H., Zhou, G., & Zhang, F. (2018). Using
negative soil adjustment factor in soil-
adjusted vegetation index (SAVI) for
aboveground living biomass estimation in
arid grasslands. Remote Sensing of
Environment, 209(79), 439–445.
https://doi.org/10.1016/j.rse.2018.02.068
Stoiconi, M., & Neda, A. (2017). the Use of
Vegetation Indices in the Context of
Precision Agriculture. VI, 141–148.
Villamuelas, M., Fernández, N., Albanell, E.,
Gálvez-Cerón, A., Bartolomé, J.,
Mentaberre, G., … Serrano, E. (2016). The
Enhanced Vegetation Index (EVI) as a
proxy for diet quality and composition in a
mountain ungulate. Ecological Indicators,
61, 658–666.
https://doi.org/10.1016/j.ecolind.2015.10
.017
Xue, J., & Su, B. (2017). Significant Remote
Sensing Vegetation Indices: A Review of
Developments and Applications. Journal
of Sensors, 2017, 1–17.
https://doi.org/10.1155/2017/1353691

Nepita-Villanueva, M. R., Berlanga-Robles, C. A.,

Ruiz-Luna, A., & Morales Barcenas, J. H.
(2019). Spatio-temporal mangrove canopy
variation (2001–2016) assessed using the
MODIS enhanced vegetation index (EVI).
Journal of Coastal Conservation.
https://doi.org/10.1007/s11852-019-
00689-9
Rani, M., Kumar, P., Pandey, P. C., Srivastava, P.
K., Chaudhary, B. S., Tomar, V., & Mandal,