Correcciónes D

ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
CARRERA DE ESTADÍSTICA
“ANÁLISIS ESTADÍSTICO FUNCIONAL DE LA REFLECTANCIA

OBTENIDA MEDIANTE IMÁGENES SATELITALES Y
ESPECTRORADIOMETRO DEL CULTIVO DE QUINUA EN COLTA”
TRABAJO DE TITULACIÓN
TIPO: Proyecto de investigación
Presentado para obtener el grado académico de:

INGENIERO EN ESTADÍSTICA INFORMÁTICA
AUTOR: PABLO ANDRÉS PEÑAFIEL SAQUICARAY
TUTORA: ING. Amalia Isabel Escudero Villa
Riobamba – Ecuador
2021
© 2021, Pablo Andrés Peñafiel Saquicaray
Se autoriza la reproducción total o parcial, con fines académicos, por cualquier medio o
procedimiento, incluyendo la cita bibliográfica del documento, siempre y cuando se reconozca
el Derecho de Autor.
i
Yo, Pablo Andrés Peñafiel Saquicaray declaro que el presente trabajo de titulación es de mi
autoría y los resultados del mismo son auténticos. Los textos en el documento que provienen de
otras fuentes están debidamente citados y referenciados.
Como autor asumo la responsabilidad legal y académica de los contenidos de este trabajo de
titulación; El patrimonio intelectual pertenece a la Escuela Superior Politécnica de Chimborazo.
Pablo Andrés Peñafiel Saquicaray

0604215327
ii
ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
CARRERA DE ESTADÍSTICA
El Tribunal del Trabajo de Titulación, certifica que: El trabajo de investigación: “ANÁLISIS

ESTADÍSTICO FUNCIONAL DE LA REFLECTANCIA OBTENIDA MEDIANTE IMÁGENES
SATELITALES Y ESPECTRORADIOMETRO DEL CULTIVO DE QUINUA EN COLTA ”, de
responsabilidad del señor Pablo Andrés Peñafiel Saquicaray, ha sido minuciosamente revisado
por los Miembros del Tribunal del Trabajo de Titulación, quedando autorizada su
presentación.
Firma Fecha
Ing. Amalia Isabel Escudero Villa __________________ __________________

DIRECTORA DEL TRABAJO DE
TITULACION
Ing. Carlos Rosero __________________ __________________

MIEMBRO DE TRIBUNAL
DEDICATORIA
iii
iv
AGRADECIMIENTO
Este agradecimiento va en especial a todas esas personas que aportaron para la culminación de
este gran logro profesional. Empiezo agradeciendo a nuestro creador del universo por el regalo
de la vida que me ha dado, a toda mi familia que me ha brindado amor incondicional en esta
etapa de mi vida. A mi madre y mi hermana que gracias a su esfuerzo soy una persona amable y
llena de muchos valores. A mis maestros que me han compartido mucho de sus conocimientos y
sabiduría, en especial a la Ing. Isabel Escudero quien me guio en esta investigación y para
finalizar, agradezco a todo los que fueron mis compañeros de clase ya que estuvieron en los
buenos y malos momentos apoyándome para poder continuar.
v
TABLA DE CONTENIDO
RESUMEN.................................................................................................................................xi
ABSTRACT...............................................................................................................................xii
INTRODUCCIÓN.......................................................................................................................1
CAPÍTULO I...............................................................................................................................3
1. MARCO TEÓRICO REFERENCIAL............................................................................3
1.1. Antecedentes............................................................................................................3
1.2. Planteamiento del Problema.....................................................................................5
1.3. Justificación..............................................................................................................5
1.4. Objetivos..................................................................................................................5
1.4.1. Objetivo General.................................................................................................5
1.4.2. Objetivos Específicos..........................................................................................5
1.5. Bases teóricas...........................................................................................................6
1.5.1 Quinua.................................................................................................................6
1.5.2 Requerimientos climáticos del cultivo..............................................................7
1.5.3 Enfermedades del cultivo..................................................................................7
1.5.4 Energía electromagnética..................................................................................7
1.5.5 Tipos de Energía Electromagnética..................................................................8
1.5.6 Espectroradiómetro...........................................................................................9
1.5.7 Teledetección....................................................................................................9
1.5.8 Imágenes satelitales........................................................................................10
1.5.9 Imágenes Sentinel-2........................................................................................10
1.5.10 Reflectancia espectral.....................................................................................11
1.5.11 Firmas espectrales...........................................................................................11
1.5.12 Reflectividad de la vegetación........................................................................12
1.5.13 Funciones........................................................................................................12
1.5.14 Meteorología...................................................................................................12
1.5.15 Dato Funcional...............................................................................................13
1.5.16 Variable aleatoria funcional............................................................................13
1.5.17 Análisis de datos funcionales..........................................................................13
1.5.18 Software..........................................................................................................13
1.6. Bases conceptuales.................................................................................................14
1.6.1 Análisis de imágenes satelitales..........................................................................14
1.6.2 Espacio funcional.................................................................................................14
vi
1.6.3 Espacios de Hilbert...............................................................................................14
1.6.4 Función Base........................................................................................................14
1.6.5 Suavizado (Base B-Spline.)..................................................................................15
1.6.6 Remuestreo de Bootstrap......................................................................................15
1.6.7 Curvas atípica y Bandas de confianza...................................................................15
1.6.8 Análisis Exploratorio funcional............................................................................16
1.6.9 Media funcional....................................................................................................16
1.6.10 Varianza funcional..............................................................................................16
1.6.11 Covarianza funcional..........................................................................................16
1.6.12 Correlación funcional.........................................................................................17
1.6.13 Análisis de Componentes Principales Funcionales.............................................17
1.6.14 Análisis de Varianza Funcional..........................................................................19
CAPÍTULO II............................................................................................................................21
2. MARCO METODOLÓGICO.......................................................................................21
2.1 Tipo de investigación..............................................................................................21
2.2 Diseño de la investigación......................................................................................21
2.3 Localización del proyecto.......................................................................................21
2.4 Población de estudio...............................................................................................22
2.5 Tamaño de la muestra.............................................................................................22
2.6 Método de muestreo...............................................................................................22
2.7 Técnica de recolección de datos.............................................................................22
2.8 Análisis Estadístico................................................................................................22
2.9 Operacionalización de las variables........................................................................22
CAPITULO III...........................................................................................................................24
3. RESULTADOS Y DISCUSIÓN DE LOS RESULTADOS..........................................24
3.1 Comportamiento de la reflectancia del estudio experimental.......................................24
3.1.1 Curvas suavizadas para los datos de reflectancia..................................................24
3.1.2 Estadísticas descriptivas funcional por Tratamientos...........................................25
3.1.3 Remuestreo de Bootstrap......................................................................................35
3.1.4 Detección de datos atípicos..................................................................................38
3.1.5 Análisis de Componentes Principales...................................................................41
...................................................................................................................................................44
3.1.6 Análisis de Varianza Funcional............................................................................71
3.2 Comportamiento del valor de reflectancia de la imagen satelital.................................73
3.2.1 Proceso para obtener los datos (descarga de la imagen satelital)..........................73
3.2.2. Ubicación de la parcela de investigación.............................................................73
3.2.3. Análisis de la imagen satelital.............................................................................74
3.2.4 Firma Espectral.....................................................................................................75
3.2.4. Comparación del comportamiento del valor de reflectancia del estudio
experimental vs el análisis de la imagen satelital...........................................................77
vii
2.10 Variables meteorológicas y la reflectancia del cultivo de quinua...........................79
GLOSARIO...............................................................................................................................83
CONCLUSIONES.....................................................................................................................83
RECOMENDACIONES............................................................................................................83
BIBLIOGRAFÍA........................................................................................................................84
ANEXOS...................................................................................................................................88
Índice de tablas
Tabla 1-1: Rango de temperaturas en estado de desarrollo del cultivo de la quinua....................7
Tabla 2-1: Descripción de las regiones del espectro electromagnético (1 µm = 10-6 m y 1 nm =
10-9 m).........................................................................................................................................8
Tabla 1-2: Tabla de Operacionalización de Variables...............................................................23
Tabla 2-2: Tabla de Operacionalización de Variables...............................................................23
Índice de Gráficas
viii
Grafico1-3: Suavizado de las curvas (B-spline cúbico).............................................................24
Grafico1-3: Media y Desviación funcional (Tratamiento 1)......................................................25
Grafico10-3: Media y Desviación funcional (Tratamiento 10)..................................................31
Grafico15-3: Banda de confianza T1 35
Grafico16-3: Banda de confianza T2.........................................................................................35
Grafico17-3: Banda de confianza T3
Grafico18-3: Banda de confianza T4.........................................................................................35
Grafico29-3: Curvas atípicas para los Tratamientos (hojas)................................................39
Grafico29-3: Curvas atípicas para los Tratamientos (flor).........................................................40
Grafico30-3: Variabilidad explicada por las cuatro componentes principales T1 (Hojas-Flor). 41
Grafico31-3: Primera y Segunda Componente Principal (Tratamiento 1).................................42
Grafico45-3: Primera y Segunda Componente Principal (Tratamiento 8)............................56
Grafico48-3: Variabilidad explicada por las cuatro componentes principales T10 (Hojas-Flor)
...................................................................................................................................................59
ix
Grafico49-3: Primera y Segunda Componente Principal (Tratamiento 10)...............................60
...................................................................................................................................................61
...................................................................................................................................................63
...................................................................................................................................................65
...................................................................................................................................................67
Grafico58-3: Variabilidad explicada por las cuatro componentes principales (hojas, flor)........69
Grafico58-3: ANOVA funcional entre las planta1 (1), planta2 (2), planta3 (3) de las hojas.....71
Grafico59-3: ANOVA funcional entre las planta1 (1), planta2 (2), planta3 (3) de la flor.........71
Gráfico 60-3: ANOVA funcional entre las cuatro hojas............................................................72
Gráfico 61-3: Imagen Sentinel-2 con las bandas 4,3,2 (color natural)......................................73
Gráfico 62-3: Multibanda de la provincia de Colta resolución 20m.........................................74
Gráfico 64-3: Ubicación de los 14 pixeles en el software SNAP.............................................75
Gráfico 65-3: Pixeles detectados por la imagen satelital de la parcela de investigación............76
Grafico66-3: Firma espectral estudio experimental (hojas) vs imagen satelital.........................77
Grafico67-3: Firma espectral estudio experimental (flor) vs imagen satelital...........................78
x
Índice de Figuras
Figura 1-1: Planta de quinua (CHENOPODIUM) parcela de investigación...............................6
Figura 2-1: Vectores eléctricos (E) y magnéticos (M), de una onda electromagnética...............8
Figura 3-1: Representación gráfica de una firma espectral una de cobertura de suelo cualquiera
(% indica reflectividad)..............................................................................................................12
Figura 1-2: Ubicación del cantón Colta de la provincia de Chimborazo...................................21
xi
Índice de Anexos
xii
RESUMEN
Palabras clave:
xiii
ABSTRACT
Key words
xiv
INTRODUCCIÓN
La teledetección se define como la ciencia y arte de obtener información de un objeto a la

distancia, ademas proporciona herramientas que permiten el estudio de los recursos naturales, a
partir de datos registrados por sensores que se encuentran en plataformas terrestres, aéreas o
satelitales (Sacristán Romero, 2016, p.13). Las firmas espectrales o curva de reflectividad
forman parte de estas herramientas y ademas pemite relacionar el valor de reflectancia frente a
la longitud de onda , esta energía es captada por satélites para generar una imagen representada
a través de pixeles, requiriendo un preprocesamiento previo para obtener una firma espectral o a
través de un espectro-radiómetro, equipo capaz de generarla directamente de la vegetación en
estudio.(Carrillo, 2016, p.2)
Una de las ciencias que se encarga de simplificar, adminitras coordinar y analizar grandes
volumenes de información es la estadistica la cual proporciona varios metodos y tecnicas que
contributen de gran manera a la recolección y almacenamiento de información con el fin de
conocer el comportamiento y patrones que permitan simplificar o caracterizar la informacion.
Analisis de Datos Funcionales , llamado FDA por sus siglas en inglés, ha cobrado gran
relevancia en los últimos años, convirtiéndose en un importante campo de investigación en la
Estadística (Chávez, Sánchez y DelaCerda, 2015, p.13). Se encarga de estudiar y analizar
técnicas estadísticas específicamente diseñadas para tratar conjuntos de datos creados mediante
la observación de funciones o curvas. Estas técnicas nacen como una alternativa más eficiente al
tratamiento estadístico multivariante de dichas funciones a partir de simples valores puntuales
que toman estas funciones en momentos determinados.(García, 2019, p.1)
Colta perteneciente a la provincia de Chimborazo es uno de los cantones con mayor producción
del cultivo de quinua es por eso que la Escuela Superior Politécnica de Chimborazo mediante el
Grupo de Energías Alternativas y Ambiente (GEAA) quienes implementaron técnicas de
espectro radiometría para el monitoreo de cultivos con el fin de sistematizar el control y mejorar
el nivel de producción. Este trabajo pretende mostrar una aplicación del Analisis Estadistico
Funcional a los datos de reflectancia obtenidos de la imagen satelital y del espectroradiometro,
con el fin de conocer el comportamiento de la reflectancia del cultivo de quinua. Ademas
debido a que el cantón es altamente susceptible a variables meteorológicas y esto genera un
fuerte impacto negativo en la producción del cereal, se busca mediante las técnicas estadísticas
del Análisis de datos Funcionales determinar la posible relación entre variables meteorológicas
y el valor de reflectancia del cultivo debido a que en el futuro esto puede tener un efecto en el
1
crecimiento y desarrollo del cultivo de quinua. Para esta investigacion se realizó el metodo de
suavizado de datos (B-splines cúbicos y Fourier), la identificación de funciones atípicas y
estadísticas descriptivas funcionales con el fin de identificar comportamientos similares entre
los valores de refletancia del espectroradiometro y de la imagen satelital.
Esta investigación está formada por tres capítulos: El capítulo I describe los antecedentes,
planteamientos , justificación del problema y los objetivos, ademas muestra la fundamentación
teórica de las: variables meteorologicas, reflectancia , longitud de onda , procesamiento de
informacion espacial y las técnicas y métodos estadísticos con datos funcionales. El capítulo II
detalla los pasos que se deben plantear para la investigacion. Seguidamente en el capítulo III
muestra los resultados obtenidos. Y finalmente las conclusiones, recomendaciones, referencias
bibliográficas y Anexos.
2
CAPÍTULO I
1. MARCO TEÓRICO REFERENCIAL
1.1. Antecedentes
El análisis de datos funcionales (ADF) se ha convertido en la última década en un área de

creciente impulso y desarrollo dentro de la estadística. (Functional y Statistic, 2016, p.131)
explora su uso en la modelación de firmas espectrales de palma de aceite donde realizaron un
proceso de suavizado por B-splines para convertir los datos puntuales en curvas de reflectancia,
Con ellas se llevó a cabo un análisis descriptivo y exploratorio funcional con el objetivo de
identificar tendencias y variabilidad. En la Universidad Nacional de Colombia-Bogotá (Giraldo
y Delicado, 2010, p.66), realizaron un estudio en el cual dieron a conocer como el análisis de
datos funcionales están presentes en una amplia gama de ciencias ambientales como la
agricultura, la ecología, la meteorología o el monitoreo de la contaminación, es por eso que,
presentaron un enfoque para la predicción espacial basado en el modelo funcional lineal
adaptado a curvas espacialmente correlacionadas, utilizando un conjunto de datos que consistió
en temperaturas diarias registradas a 35 estaciones meteorológicas repartidas por todo el
territorio canadiense. (Gao y Niemeier, 2008, p.237) aplicaron un análisis de datos funcionales a
datos de monitoreo ambiental para comprender mejor el comportamiento y patrones dominantes
de los ciclos diurnos de ozono/NOx y sus tasas de cambio. El autor (Taguacundo Orta, 2019,
p.7) realizó un estudio utilizando datos de radiación de 11 estaciones meteorológicas instaladas
en la provincia de Chimborazo almacenados por el GEAA-ESPOCH, con el fin de caracterizar
el comportamiento de dicha variable y establecer directrices del uso del Análisis de
Componentes Principales Funcionales.
Según el Instituto Nacional de Investigaciones Agropecuarias (INIAP, 2013) menciona que en

el Ecuador existen dos variedades mejoradas de quinua: Tunkahuan y Pata de venado. La
Tunkahuan es una variedad de quinua con bajo contenido de saponina y se adapta bien en todas
las provincias de la sierra, la quinua pata de venado es un tipo de quinua que se cosecha entre 5
a 6 meses y tiene un rendimiento promedio de 12000kg por hectárea, y contienen 17,45% de
proteína.
La estimación de variables meteorológicas como la precipitación es una tarea complicada en

regiones como el Ecuador debido a que cuenta con gran variabilidad espacial producto del
relieve de alta montaña ,es por ello que, (Castro, 2014, p.2) realizó un análisis de la calidad de
datos de precipitación de estaciones meteorológicas provenientes del Instituto Nacional de
3
Meteorología e Hidrología del Ecuador (INAMHI) ,el cual fue comprobada por
proporcionalidad (comparación con estaciones cercanas) y homogeneidad (tendencia constante
de la media en cada estación) , además se utilizaron gráficos de precipitación media mensual
multianual y se calcularon errores estadísticos como sesgo, RMSE y coeficiente de correlación
de Pearson.
El espectro de la reflectancia de las plantas es un indicador preciso de la fracción de la cobertura

vegetal, que está altamente asociada con la captura de la radiación y el estado nutrimental de los
cultivos.(De la Cruz, 2011, p.259) realizo un experimento en cual durante el crecimiento del
pimiento se monitoreó la reflectancia de la planta en tres bandas del espectro visible y dos del
infrarrojo cercano, se tomaron imágenes digitales para la determinación del índice de área foliar
y se recolectaron muestras vegetales para el análisis de concentración de nitrógeno, con el fin de
relacionar las firmas espectrales en pimiento con el contenido de nitrógeno total en la hoja , en
la interpretación de las firmas espectrales obtenidas con un espectroradiómetro, permitió
establecer niveles críticos de reflectancia. Los índices de vegetación mostraron una alta
correlación (r2 >0.8) con deficiencia de nitrógeno total en hojas menores de 3.
Los diferentes tipos de cultivo presentan una firma espectral típica, relacionada con
características como la fisiología, la estructura del cultivo (geometría) o el tratamiento al que
está sometido, entre otras. La proporción de luz incidente que es reflejada, absorbida o
transmitida depende de las características de la cobertura del suelo y de la longitud de onda. La
firma espectral de un cultivo está condicionada por la presencia de pigmentos, la estructura de la
hoja y su contenido en humedad (Martínez, 2018).
La radiación infrarroja, fue descubierta por Friedric Wilhelm Herschel en el año 1800. La
primera vez que se utilizó espectroscopía de Infrarrojo Cercano fue en la agricultura, en 1964,
para determinar el contenido de humedad de los cereales, desde entonces se viene utilizando en
la determinación de humedad, proteína y grasa, cantidad de sólidos solubles y cantidad de
materia seca en diversos alimentos y productos agrícolas, y más recientemente, con sensores
ópticos terrestres. En un principio, se utilizaron para que la aplicación del nitrógeno en cereales
se realizase de una manera más racional y eficiente. En las grandes extensiones de cereal de
algunos países, uno de los factores más importantes en la producción es el aporte de nitrógeno,
tanto por su correlación directa con la cantidad producida, como por su elevado precio (Manuel
y Herrera, 2009)
4
1.2. Planteamiento del Problema
¿Presenta el valor de reflectancia del cultivo de quinua relación con el comportamiento de

variables meteorológicas en el cantón Colta?
1.3. Justificación
La razón por las cual se pretende realizar esta investigación es para identificar la relación que
existe entre la reflectancia de quinua en Colta y los impactos de las variables meteorológicas.
En la agricultura de precisión se emplea herramientas estadísticas para monitorear cultivos, pero

no se conoce la función de reflectancia de la quinua, debido a que los cultivadores son grupos
de escasos recursos y no cuentan con la tecnología necesaria. La Escuela Superior Politécnica
de Chimborazo (ESPOCH) mediante El Grupo de Energías Alternativas y Ambiente (GEAA)
realizó la toma de datos en campo con el fin de hallar la firma espectral de la quinua definiendo
los parámetros de tendencia central y dispersión, el Grupo de Energías Alternativas y Ambiente
proporcionará los datos necesarios para realizar el análisis funcional de la reflectancia del
cultivo de quinua medido por el espectroradiómetro, la cual se utilizará para relacionar en base a
las variables meteorológicas del Cantón, con el objetivo de evaluar el comportamiento de dicha
variable y mediante el análisis estadístico funcional identificar los posibles patrones de
comportamiento del cultivo.
Los cultivadores de quinua serán beneficiados de esta investigación y además ayudara a generar
más fuentes de ingreso evitando así enfermedades o plagas de la planta de quinua en las
condiciones climatológicas que no son las adecuadas para el cultivo.
1.4. Objetivos
1.4.1. Objetivo General
Analizar el comportamiento de la reflectancia del cultivo de quinua en Colta, mediante

metodología con datos funcionales.
1.4.2. Objetivos Específicos
5
 Identificar las zonas de sembríos de quinua en Colta y preparar la base de datos según
los requerimientos del análisis.
 Identificar el comportamiento de la reflectancia del estudio experimental con el valor de
la reflectancia de las imágenes satelitales mediante la metodología con datos
funcionales.
 Determinar la relación existente entre las variables meteorológicas y la reflectancia del
cultivo de quinua.
1.5. Bases teóricas
1.5.1 Quinua
Quinua CHENOPODIUM quinoa fue considerada como un alimento sagrado por los incas
quienes la llamaban “fuente de vida o semilla madre. La quinua tiene una altura de 1.20 metros,
la dimensión de sus hojas suelen ser alternas de 1 a 5 centimetros de ancho y de 3 a 11
centimetros de largo, sus flores son hermafroditas, de 150 a 120 dias es su periodo vegetativo,
además la quinua alcanza una altura de 1.20 metros posee hojas alternas de 3 a 5 centimetros de
largo y de 1 a 5 centimetros de ancho, la semilla de quinua presenta una coloración blanca ,
amarilla a roja o negra y puede variar según donde ha sido cultivada. (Claudio R. Bernal B.,
2015, p.1). Este cultivo es afectado por plagas como por enfermedades, ya sea en tallos, hojas, y
granos almacenados, es por eso que se midió el valor de reflectancia con el espectroradiómetro
tanto de la hoja como de la flor del cultivo.
Figura 1-1: Planta de quinua

(CHENOPODIUM) parcela de investigación
Fuente: Grupo de Energías Alternativas y Ambiente (GEAA)
6
1.5.2 Requerimientos climáticos del cultivo
Altitud: 0 a 4.000 m.s.n.m.

Precititación : Desarrolla en zonas con precipitaciones mínimas de 200 a 250 mm, en el cantón
Colta, la precipitación óptima es 330 a 380 mm.
Humedad ambiental: Requiere de una atmósfera seca a moderadamente húmeda.
Temperatura:
Tabla 1-1: Rango de temperaturas en estado de desarrollo del cultivo de quinua

Estado de Desarrollo Mínima Optima Máxima
Germinación 5°C 18°C 35°C

Desarrollo vegetativo 5°C 18°C 29°C
Crecimiento radicular ------ 15°C ------
Floración 5°C 13 a 21 °C 29 °C
Fuente : (René y Villca, 2017).
1.5.3 Enfermedades del cultivo
Este cultivo es afectado por plagas como por enfermedades, ya sea en tallos, hojas, y granos
almacenados. Existen dos variedades de enfermedades considerdas importantes en el cultivo
estas son: Mancha circular de la hoja y Mildiú estas enfermades ocasionan un severo daño a las
hojas lo cual provoca que se sequen y se desprendan. Cuando el suelo es muy fértil y se aplica
fertilizante o abono orgánico, las dos variedades pueden responder con un crecimiento
exagerado, aumentando su biomasa vegetativa hasta la floración, pero con una producción de
granos muy baja o nula. Las dos variedades presentan moderada resistencia a heladas, sin
embargo son más vulnerables si éstas se producen antes de los 60 días del ciclo. Ademas las dos
variedades de enfermedades son moderadamente resistenten en ambientes favorables a
temperatura y humedad alta , realizando un manejo adecuado (fertilización, deshierbas y raleos
oportunos) y sembrando en sitios con buen drenaje, la incidencia de las enfermedades es casi
nula (C y I, 2009, p.8).
1.5.4 Energía electromagnética
El espectro electromagnético (EE) es flujo continuo energía que se desplaza por el espacio o la
atmósfera y que interactúa con los objetos que encuentra en su camino. La Teoría Ondulatoria1
establece que cualquier partícula con una temperatura sobre el cero absoluto, en grados Kelvin,
genera una vibración que da lugar a una serie de perturbaciones que se desplazan como “ondas”
7
sinusoidales a través del campo eléctrico E y campo magnético M, perpendiculares entre si
(FIGURA 1). Estas ondas representan la radiación emitida desde la fuente y viajan hacia el
infinito a una velocidad constante, conocida como la velocidad de la luz (≈ 3 x 108 m s-1). La
distancia entre la cresta de una onda y la siguiente es la longitud de onda (λ) de la radiación y el
número de crestas por segundo que pasan por un mismo punto es su frecuencia (Hernández y
Montaner, 2009, p.1).
Figura 2-1: Vectores eléctricos (E) y magnéticos (M), de una onda

electromagnética.
Fuente: (Hernández y Montaner, 2010, p. 1-2)
1.5.5 Tipos de Energía Electromagnética
Considerando la longitud de onda como variable discriminadora es posible distinguir entre

distintos tipos de energía electromagnética. La tabla 1 describen las principales zonas del
espectro electromagnético, abarcando desde longitudes de onda muy pequeñas (Rayos gamma,
rayos X y ultravioleta) hasta aquellas muy largas (microondas y comunicaciones).(Hernández y
Montaner, 2009, p.1)
Tabla 2- Longitud de Características

Onda (λ)
1:
Descripci
ón de las
regiones
del
espectro
electroma
gnético (1
µm = 10-
6my
8
1 nm =
10-9
m).Región
o Banda
Espectral
Rayos < 0,03 nm Radiación completamente absorbida
Gamma por las capas superiores de la
Rayos X 0,03 – 30 nm
atmósfera. No se utilizan en
teledetección.
Ultravioleta 0,03 – 0,4 µm La radiación con λ < 0,3 µm es completamente
(UV) absorbida por la capa de ozono de la atmósfera.
Visible 400 – 500 nm Se puede detectar a través de
(azul, verde, (azul) fotodetectores y películas fotosensibles
rojo) 500 – 600 nm normales (color y B/N).
(verde)
600 - 700 nm
(rojo)
Infrarrojo 700 - 1300 nm Radiación solar reflejada que no
reflejado (IR cercano) contiene información acerca de las
1300 - 3000 nm propiedades térmicas de los materiales.
(IR medio) El rango 700 a 900 nm se puede
detectar usando películas fotosensibles
(infrarrojo fotográfico).
Infrarrojo 3,0 – 5,0 µm Corresponden a dos ventanas
térmico 8,0 – 14,0 µm atmosféricas en la región térmica.
Radar 0,1- 100 cm. Radiación de grandes longitudes de

(región de la onda, capaces de penetrar nubes,
microondas) nieblas y lluvia.
Ondas de > 100 cm. Radiación con las mayores longitudes

Radio y TV de onda del espectro. Se utilizan en
telecomunicaciones.
1.5.6 Espectroradiómetro
Un espectroradiómetro es un instrumento capaz de medir la radiación de luz entrante, así como

la reflectancia y la transmitancia en un rango espectral, es decir, permite medir la intensidad
cuantitativa o absoluta de diferentes longitudes de onda del espectro electromagnético. Están
diseñados con la facilidad de uso y portabilidad para poder utilizarlos en campo. Entre sus
aplicaciones está la generación de firmas espectrales que caracteriza un tipo de cobertura y de
esta manera estructurar una biblioteca espectral, así como también permite tomar puntos de
control para validar información de sensoramiento remoto. El espectro radiómetro es nacido de
9
la unión entre un radiómetro y un espectrómetro para formar un equipo con mejores
características de medición (Correa y Guanoluisa).
1.5.7 Teledetección
La teledetección o Sensores Remotos permite obtener información de un objeto, área o

fenómeno, mediante el análisis e interpretación de los datos de imágenes obtenidas por un
equipo especifico que no se encuentra en contacto físico con el objeto, área o fenómeno que se
encuentra en investigación, al no existir un contacto directo entre el equipo y el objeto, se
requiere que entre ambos exista un flujo de información, esta es conocida como radiación
electromagnética cuyo mayor emisor es el sol, así la tierra y todos los objetos que se encuentran
en la superficie reflejan esta radiación, la cual es utilizada comúnmente en teledetección, otro
tipo de emisión puede provenir del mismo equipo, el cual incorporara en sus componentes un
rayo emisor de radiación (Sacristán Romero, 2005, p.3).
1.5.8 Imágenes satelitales
Las imágenes satelitales representan una fuente de información de la cual es factible extraer
datos espacialmente distribuidos a partir de análisis y procesamiento digital. Esta información
puede consistir en variables continuas, categorización de la imagen en clases temáticas, análisis
de cambios, medición de la estructura espacial del territorio, entre otras. La información
almacenada en las imágenes es utilizada para adquirir o comprobar conocimientos del territorio
(Pagot, 2003, p.1).
1.5.9 Imágenes Sentinel-2
El Satelite Sentinel-2 forma parte del Programa Copérnico para la Observación de la Tierra de
la The European Space Agency (ESA) , este programa tiene como objetivo suministrar
información actualizada y de fácil acceso para mejorar la gestión del medio ambiente. El
programa tiene planificadas cinco misiones y cada una está conformada por varios satélites.
Sentinel-2 se basa en una constelación de dos satélites. El primero, S2A, fue lanzado el 23 de
junio de 2015. El S2B fue lanzado el 7 de marzo de 2017, los dos satelites entregará datos de
todas las superficies de la Tierra con un tiempo efectivo de revisita en el Ecuador de cinco días.
El Sentinel-2 proporciona datos para la generación de productos tales como: mapas de usos del
suelo, mapas de cambios a lo largo del tiempo, mapas de riesgo,e imágenes rápidas para
prevención de desastres, ademas proporcina datos para la generación de variables biofísicas de
la vegetación como la cobertura vegetal, el contenido de clorofila o el contenido de agua en las
hojas (Borràs, 2017, p.60).
10
El satélite cuenta con 13 bandas las cual proporciona imágenes de alta calidad radiométrica y
excelente resolución espacial (10, 20 ,60 m), estas bandas van desde el espectro visible y el
infrarrojo cercano (NIR), hasta el infrarrojo de onda corta (SWIR). Entre ellas hay cuatro
bandas de 10 m (tres del visible y una del NIR), seis bandas de 20 m, y tres bandas de 60 m de
resolución para corrección atmosférica y detección de nubes.(Borràs, 2017, p.55).
Función Longitud Resolucío
Tabla 3-1: de onda n Espacial
Informaci central (m)
ón de las (nm)
Bandas de
la imagen
satelital
Sentinel 2
Bandas
1 Aerosol costero 443.9 60
2 Azul 496.6 10
3 Verde 560 10
4 Rojo 664.5 10
5 Infrarrojo cercano - NIR 703.9 20
8 NIR 835.1 10
8a Infrarrojo cercano - NIR 864.8 20
9 Vapor de agua 945 60
10 Cirrus - SWIR 1373.5 60
11 SWIR 1613.7 20
12 SWIR 2202.4 20
Fuente:(Delegido, 2018, p.51)
1.5.10 Reflectancia espectral
La importancia de la reflectancia espectral radica en que la forma de esta función, o espectro de

reflectancia, permite caracteriza el color, así como calcularlo, en función de coordenadas
cromáticas, a partir de una magnitud directamente medible (García Alonso, 2016, p.8).
1.5.11 Firmas espectrales
11
Es la reflectancia en función de la longitud de onda indica el comportamiento espectral de los
distintos objetos en las diferentes bandas espectrales, por lo cual un conjunto de firmas,
representativas de diferentes objetos indican en que bandas existe una mayor separabilidad
espectral, haciendo más fácil su identificación en las imágenes y su respectiva clasificación, las
mismas se obtiene a partir de imágenes satelitales, dejando de lado su obtención en el campo,
sea por el mayor tiempo que requiere o por el costo de los equipos, a nivel de Ecuador se están
desarrollando investigaciones de captura de firmas espectrales en campo por el IGM (Instituto
Geográfico Militar), estos estudios solamente corresponden a maíz y papa, para la creación de
bibliotecas espectrales (Carrillo, 2016, p.10).
La firma espectral se define como el comportamiento diferencial que presenta la radiación
reflejada (reflectancia) o emitida (emitancia) desde algún tipo de superficie u objeto terrestre en
los distintos rangos del espectro electromagnético. Una forma gráfica de estudiar este
comportamiento es disponer los datos de reflectancia (%) en el eje Y y la longitud de onda λ en
el eje X. Al unir los puntos con una línea continua se origina una representación bidimensional
de la firma espectral.(Hernández y Montaner, 2009, p.4)
Figura 3-1: Representación gráfica de una firma espectral una de cobertura de suelo
cualquiera (% indica reflectividad).
1.5.12 Reflectividad de la vegetación.
La reflectividad de la vegetación está directamente relacionada con las hojas que la componen,
que es el elemento más visible desde una plataforma especial, los factores destacados a tener en
cuenta son la presencia de los pigmentos, la estructura celular, el contenido de humedad, las
características geométricas de la planta, la geometría del dosel y el componente leñoso. La
cantidad de energía que es reflejada, absorbida y transmitida en las diferentes longitudes de
onda por las hojas, depende de otros factores, aparte de los mencionados anteriormente, como
son condiciones atmosféricas, la respuesta espectral del sustrato, presencia de vegetación
senescente, elevación angular del sol y del sensor, la geometría de la propia cobertura de los
cultivos y los cambios fenológicos (Carrillo, 2016, p.12).
12
1.5.13 Funciones
La utilización de funciones de variable real (por ejemplo, el tiempo) es cada vez más habitual en
diferentes campos de las ciencias experimentales y sociales, desde la medicina, con
electrocardiogramas o electroencefalogramas, a la economía, donde recogen la evolución de
índices o activos, pasando por otros muchos como la meteorología o el tratamiento de imágenes
(Noguerales, 2010, p.5).
1.5.14 Meteorología
La Meteorología es la ciencia encargada del estudio de la atmósfera, de sus propiedades y de los

fenómenos que en ella tienen lugar. El estudio de la atmósfera se basa en el conocimiento de
una serie de magnitudes, o variables meteorológicas, como la temperatura, radiación solar
global, la presión atmosférica o la humedad, las cuales varían tanto en el espacio como en el
tiempo (Jiménez, Capa y Lozano, 2004, p.6).
1.5.15 Dato Funcional
Los datos funcionales se puede entender como la realización de un proceso estocástico o una
curva, suelen consistir en una muestra aleatoria de funciones independientes de valor real, {
x 1 ( t ) ,… , x n (t ) } con t ∈ T , estos datos también se han llamado datos de curva.(Febrero-Bande
y de la Fuente, 2012, p.5)
1.5.16 Variable aleatoria funcional
Cualquier observación que varíe sobre un continuo se puede tomar por un dato funcional, desde
un electrocardiograma a las temperaturas de una ciudad. En la práctica, estos sucesos son
recogidos por máquinas que toman muestras de una determinada variable aleatoria en distintos
instantes de tiempo dentro de un cierto rango (Noguerales, 2010, p.6).
1.5.17 Análisis de datos funcionales
Ésta es una rama la estadística, que estudia y analiza la información contenida en curvas,
superficies, o cualquier elemento que varía sobre un continuo, generalmente el tiempo. Las
particularidades de estos objetos, las funciones, hacen que surja todo un aparato de definiciones,
teoremas y herramientas para poder estudiarlas correctamente (Noguerales, 2010, p.5).
13
1.5.18 Software
Robert Gentleman y Ross Ihaka del Departamento de Estadística de la Universidad de Auckland

en nueva Zelanda fueron los desarrolladores del lenguaje de programación del software libre R
el cual abarca una amplia gama de técnicas estadísticas y cuenta con diversas librerías con el fin
de analizar los datos o cualquier fenómeno en estudio(Arriaza Gómez et al., 2008, p-2-5). El
software R proporciona la implementación de análisis de datos funcionales mediante el paquete
fda.usc el objetivo del paquete es proporcionar una herramientas más amplia y flexible para el
análisis de datos funcionales(Febrero-Bande y de la Fuente, 2012, p.3).
SNAP Sentinel es un software libre el cual se utiliza principalmente para el procesamiento y

análisis de observación de la Tierra debido a sus amplias innovaciones su plataforma es
amigable con el usuario, lo que permite que sea una herramienta muy útil en el análisis de
imágenes y abstracción de información. (Quillupangui Nasimba y Darío, 2019, p.25).
ArcMap es una herramienta de ArcGIS para cartografía, difusión y análisis de datos, es utilizada
para observa visualiza e investigar una área de estudio, representa la información geográfica y
además establece diseños de mapas para su aplicación (Idrobo, 2018, p.13).
1.6. Bases conceptuales
1.6.1 Análisis de imágenes satelitales
Es una hermanita importante que utiliza sensores remotos aerotransportados sobre satélite, las
cuales consisten en imágenes de la faz de la tierra bajo ciertos parámetros del satélite y sensor
que se utilice para la obtención de la información (Lemus, Andrea. Méndez, 2018, p.16).
1.6.2 Espacio funcional
El espacio funcional es un conjunto de funciones entre dos conjuntos fijos. Si se considera un

conjunto de polinomios en donde el grado puede llegar al infinito,
P ( x ) ={a+ bx+ c x 2+ d x 3 +… :( a , b , c , …) ∈ R } , este conjunto también pertenece al espacio

funcional (Febrero-Bande y de la Fuente, 2012).
1.6.3 Espacios de Hilbert
El espacio Euclidiano está definido en dos polígonos de grado finito en el cual medimos
distancias utilizando la diferencia, pero cuando se trabajamos con dimensiones infinitas, los
14
espacios euclidianos no son los adecuados. El Espacio de Hilbert generaliza la noción de
espacio euclidiano, básicamente da reglas para trabajar con ejes infinitos (Febrero-Bande y de la
Fuente, 2012). Se conoce como espacios de Hilbert al espacio de funciones de cuadrado
integrable L2 , por tanto, es común trabajar con vectores conformados por infinitas
componentes, es decir para cada t ∈ R su producto escalar estará compuesto por la suma del
producto de sus infinitas componentes, si el espacio funcional es un espacio de Hilbert, entonces
los datos funcionales se pueden representar utilizando una base (Taguacundo Oscar, 2019,
p.18).
.
L2={f : R → R : ∫ f 2 ( t ) dt <¿ ∞ }¿
R
1.6.4 Función Base
Una base se puede representar mediante una curva, siempre y cuando los datos pertenezcan al
espacio L2. Una base es un conjunto de funciones conocidas {ϕk }k ∈ Ν que cualquier función
podría aproximarse arbitrariamente por una combinación lineal de un número suficientemente
grande k n de estas funciones (Febrero-Bande y de la Fuente, 2012, p.5).
1.6.5 Suavizado (Base B-Spline.)
El spline cúbico es un método muy usado para la interpolación y ajuste de una curva
con derivadas continuas a partir de un conjunto discreto de dato (Escudero et al., 2016,
p.1). El principal objetivo del suavizado es eliminar pequeños movimientos en los datos para
que conserven la forma correcta. Como primer paso de la metodología aplicada al Análisis de
datos funcionales consiste en definir una función, tal que
X n ( t )=a 1 ϕ1 (t )+ a2 ϕ2 (t)+…+ ak ϕk (t ) con t ∈ T , este paso se conoce como suavizamiento de
la función. Existen varios tipos diferentes de bases como por ejemplo las bases Fourier, B-
Spline, Exponencial, potencia, polinomio entro otras. La Base B-Spline tiene como objetivo
estimar una función no periódica basada en observaciones discretas con ruido.(Febrero-Bande y
de la Fuente, 2012, p.6).
Entonces, se asume que las observaciones para una sola curva siguen un modelo de regresión:
Y i= X n ( t ) +ϵ
Donde los residuos ϵ son independientes de X n ( t ), podemos recuperar la señal original usando
un suavizador lineal.
K
X n ( t ) ≈ ∑ c j ϕ j (t )
j=1
15
Donde c j se puede estimar por mínimos cuadrados.
1.6.6 Remuestreo de Bootstrap
En el análisis de datos estadísticos existe un método de Remuestreo denominado Bootstrap el

cual sirve para la creación de un gran número de muestras, obtenidas mediante algún
procedimiento aleatorio que utilice la muestra original, una de las ventajas que nos brinda la
utilización del Remuestreo es que no requiere supuestos sobre el comportamiento generador de
los datos, con la finalidad de aproximar la distribución en el muestreo normalmente de un
estadístico(Meneses-Freire, p.6).
1.6.7 Curvas atípica y Bandas de confianza

La aplicación del método de Remuestreo Bootstrap se puede analizar datos con el objetivo de
detectar datos o curvas atípicas, construir bandas de confianza o intervalos de confianza entre
otros. Los datos atípicos se detectaron con la herramienta outliers.depht.trim tomando para el
estudio un numero de remuestras 1000, se consideran atípicos si las curvas son aislados,
persistentes, por la forma y amplitud (Taguacundo Orta, 2019, p.19). Del mismo modo se
determinó la banda de confianza con el comando fdata.bootstrap() que es un conjunto de curvas
que siguen la misma distribución de los datos originales(Escudero et al., 2016, p.155)
1.6.8 Análisis Exploratorio funcional

El análisis de datos funcionales exploratorios puede ayudar a analizar e interpretar conjuntos de
datos resumiendo o identificando sus principales características, detectar posibles errores o que
los datos presente algún tipo de variabilidad inesperada , el paquete fda.usc incluye las
herramientas para el análisis descriptivo de datos funcionales: func.mean(), func.var(),
fdata2pc() y fdata2pls() que son utilizados para calcular medidas de tendencia central y
dispersión (Febrero-Bande y de la Fuente, 2012, p.10). Los estadísticos descriptivos funcionales
son muy familiares a los estadísticos clásicos, ya que están definidos con el mismo criterio de
medición, es decir, se aplican por igual a los datos funcionales (Morales y Moral, 2009, p.22).
1.6.9 Media funcional
Definida como el promedio puntual de las funciones a través de las repeticiones .(Taguacundo
Oscar, 2019, p.20)
n
~ 1
x ( t ) = ∑ x i (t)
n i=1
16
1.6.10 Varianza funcional
Sea x 1 ( t ) , x 2 (t ) , … , x n ( t ) una muestra de funciones de una función aleatoria x(t), definida en [0,
T]. Se define la función varianza muestral de (t) como:(Escudero, 2016, p.22)
n
1 2
var ( x ( t )) = ∑ [ x¿ ¿i ( t ) −~x ( t ) ] ¿
n−1 i=1
1.6.11 Covarianza funcional
La covarianza muestral de (t) entre t 1 y t 2 se define como la función:(Taguacundo Oscar, 2019,

p.20).
n
1
var ( x ( t 1 ) , x ( t 2 ) ) = ∑ (x ¿ ¿ i ( t1 )−~x ( t 1 ))( x ¿ ¿ i ( t2 ) −~x ( t 2 ))¿ ¿
n−1 i=1
1.6.12 Correlación funcional.
Se define la función correlación muestral de (t) entre t 1 y t 2 como:
cov x (t 1 , t 2)
cor ( x ( t 1) , x ( t 2 ) ) =
√ var x (t 1) var x (t 2)
1.6.13 Análisis de Componentes Principales Funcionales.
El análisis de componentes principales funcionales (ACPF) es una extensión del Análisis de

componentes principales (ACP) clásico en el que las componentes principales están
representadas por funciones y no por vectores (Chávez, Sánchez y DelaCerda, 2015, p.16). El
ACPF tiene como fin reducir la dimensionalidad infinita de una variable funcional, cuyas
observaciones son las trayectorias de un proceso estocástico de segundo orden, continuo en
media cuadrática con trayectoria de cuadrado integrable en el espacio L2 (T) (Taguacundo
Oscar, 2019, p.22). Las componentes principales se denotan con (ξ i ) definidas como
combinaciones lineales generalizadas de variables funcionales, incorreladas de varianza máxima
dadas por (Escudero, 2016, p.43).
.
ξ i=∫ x ( t ) f i (t )dt
T
17
en el que la primera componente principal funcional debe explicar la variabilidad máxima
posible del conjunto de información (Taguacundo Oscar, 2019, p.22-24).
Un autovalor λ i=Var [ ξi ] está asociada con cada componente principal, la selección es de

acuerdo a la proporción de variabilidad explicada lo más cercana a 1 (Carreño, 2013, p.21-25).
∞
V T =∑ λ j
i=1
Por lo general se selecciona las q-primeras componentes principales cuya proporción de

varianza explicada acumulada sean tan próxima a uno (Escudero, 2016, p.43-44).
∑ λi
V = i=1
q
VT
Si se considera una muestra de curvas {x 1 ( t ) , x2 ( t ) , … , x n ( t ) } del proceso estocástico
{ x ( t ) :t ∈T } ,las w componentes principales seleccionadas son vectores de dimensión n y están

dadas por (Carreño, 2013, p.21-25).
.
ξ i=∫ x w ( t ) , f i (t )dt
T
con w=1 , … , n y f i función peso asociado a la i-ésima función propia del operador de
covarianza muestral
∫ C^ ( s , t ) , f ( s ) ds=λf (t)
T
donde f i son las funciones asociadas a los autovalores λ i, y C

^ ( s , t )la covarianza muestral
n
^ ( s , t )= 1 ∑ ( xi ( s )−x ( s ) )( x i ( t )−x ( t ) )
C
n−1 i=1
de modo que se pueden representar y aproximar las curvas muestrales en términos de las
primeras. componentes principales.
18
n−1
x qw ( t )=∑ ξ wi f i (t)
i=1
Para el cálculo de las CPF a partir de las representaciones básicas de las curvas muestrales
p
x i ( t )=∑ aip ∅ p ( t )
p=1
con i=1 , … , n está demostrado que, el problema de ACPF se reduce a calcular el ACP
multivariante de la matriz A Ψ 1 /2 , donde A=(a ¿¿ ij)n x P ¿ es la matriz que contiene por filas
los coeficientes básicos de las trayectorias muestrales y Ψ =¿ (Ψ ¿¿ jk)PxP ¿es la matriz de

elementos los productos escalares entre las funciones básicas dados por (Escudero, 2016, p.43-
44).
.
Ψ jk =∫ ∅ j ∅ k dt
T
con j , k =1 ,… , P .
Suponiendo que Γ =(ξ wi )nxp es la matriz cuyas columnas son las componentes principales de
A Ψ 1 /2y G es la matriz cuyas columnas son los vectores propios asociados, tenemos que Γ =
( A Ψ 1 /2 )G (Carreño, 2013, p. 21-25).
Las funciones propias del operador de covarianza muestral admiten entonces la siguiente
expansión básica:
P
f i ( t )=∑ f li ∅l ( t )
l=1
con i=1 , … , P , donde los coeficientes son los elementos de la matriz F=¿
dada por F=(Ψ −1 /2)G (Escudero, 2016, p.43-44).
1.6.14 Análisis de Varianza Funcional.
19
El análisis de varianza funcional más conocido como ANOVA funcional, consiste en el
aprovechamiento de toda la información de la curva no solo de indicadores puntuales como es el
caso de ANOVA clásico( Escudero, 2016, p.98-101).
Cada dato funcional se puede representar como X ij ( t ) con t ∈[a , b], siendo i el subíndice que
indica el nivel del factor y j el número de réplica ¿ ni e i=1,2 , … , k ¿ , la media
correspondiente a cada nivel o muestra independiente tiene la forma E ( X i ( t ) )=m i ( t ) , mientras

la covarianza entre dos instantes en una curva para en el caso clásico (homocedastico) es común
K i ( s ,t ) y para el caso general (heterocedastico) no necesariamente iguales(Tarrío, 2010, p.11).
K i ( s ,t )=Cov ( X i ( s ) , X i ( t ))
ni
( X ij ( s )−X i ( t ) )( X ij ( t )− X i ( t ) )
K i ( s ,t )=∑
j=1 ni−1
donde
ni
X ij ( t )
X i ( t ) =∑
j=1 ni
(Tarrío, 2010, p.11).
El objetico del contraste asociado al ANOVA funcional es probar que:
H 0 :m 1=m 2=…=m k
El estadístico de prueba asociado para el contraste es análogo al F clásico para el ANOVA de

una vía, ya que en el ANOVA funcional se puede ver que mientras el numerador mide la
variabilidad externa entre las muestras, el denominador mide la variabilidad interna dentro de
las muestras, la expresión:
k 2
n ‖ X i− X ..‖
∑ i k−1
i=1
F n= 2
.
‖X ij − X i .‖
∑ n−k
i, j
donde
20
ni
X ij ( t )
X i . ( t )= ∑
j=1 ni
k
n X (t)
X .. ( t )=∑ i i .
i=1 n
k
n=∑ ni
i=1
b 1 /2
(
‖x‖= ∫ x ( t ) dt
a
2
)
( Escudero, 2016, p.98-101).
CAPÍTULO II
2. MARCO METODOLÓGICO
2.1 Tipo de investigación
Por el método de investigación cuantitativa debido a que la investigación busca conocer el

comportamiento de las variables meteorológicas y modelar mediante información obtenida de
observaciones satelitales, según el objetivo de estudio será empírica ya que se centra en la
solución de un problema meteorológico, según el nivel de profundización en el objeto de
estudio explicativa porque busca determinar la relación entre variables meteorológicas y el valor
de reflectancia de la planta de quinua , según la manipulación de variables no experimental
debido a que la matriz de información proviene de una fuente secundaria , según el tipo de
inferencia inductiva para conocer información sobre variables meteorológicas en el cantón y
evaluar cómo influyen en el valor de reflectancia de la planta de quinua ,según el periodo
temporal transversal.
2.2 Diseño de la investigación

El Grupo de Energías Alternativas y Ambiente (GEAA) realizó la toma de datos en campo,
además proporciono la información necesaria para el análisis de esta investigación.
21
2.3 Localización del proyecto
El presente trabajo a realizar se encuentra ubicada en el cantón Colta de la provincia de
Chimborazo, la misma que se encuentra en las siguientes coordenadas UTM longitud -78.8379
y latitud -1.7822.
Figura 1-2: Ubicación del cantón Colta de la provincia de Chimborazo.

Fuente: (EARTHEXPLORER)
2.4 Población de estudio
Parcela de investigación y valores de reflectancia de la imagen satelital ubicada en el cantón
Colta de las Provincia de Chimborazo
2.5 Tamaño de la muestra

Se utilizo una parcela experimental la cual contaba con 14 Modificaciones o Tratamientos de
Quinua las 8 primera modificaciones denominadas LÍNEAS son alteraciones de la quinua de
tipo CHIMBORAZO y TUCAHUAN, y las 6 restantes denominadas MASALES que son
mezcla de diferentes tipos de quinua con respecto al tamaño y color, además se consideró para
cada uno de los tratamientos cuatro hojas y la flor de tres plantas de quinua , debido a que son
las que mejor se podrían captar si se requiere reconocer también médiate imágenes satelitales.
2.6 Método de muestreo

Se realizará un muestreo aleatorio simple para la toma de datos.
2.7 Técnica de recolección de datos

Las técnicas de recolección de información que se utilizaran para esta investigación son
primarios y secundarios, que serán: Georreferenciación de las áreas de los cultivos, Archivos
shp de la provincia, cantones y parroquias según se requiera, imágenes satelitales del cantón
Colta, datos de reflectancia de los tres tipos de plantas de quinua proporcionados por el GEAA y
22
datos descargados de la página NASA Prediction Of World wide Energy Resources de las
variables meteorológicas del cantón.
2.8 Análisis Estadístico

Se aplicará la metodología estadística con datos funcionales con las librerías disponibles en R,
además se implementará métodos de análisis y comparación mediante: Estadísticas descriptivas,
Contrastes de hipótesis Componentes Principales Funcional y Análisis correlacional, según los
requerimientos del proyecto.
2.9 Operacionalización de las variables
La siguiente tabla muestra la variable medida por el espectroradiómetro
Tabla 1-2: Tabla de Operacionalización de Variables

Nombre de la Descripción Tipo de Variable Unidad de Escala
variable medida
Es la fracción de luz
reflejada desde una % Razón
Reflectancia Cuantitativa
superficie en función de
la longitud de onda.
Fuente: GEAA
Elaborado Por: Peñafiel Pablo, 2021
La siguiente tabla muestra las variables meteorológicas en estudio
Tabla 2-2: Tabla de Operacionalización de Variables

Nombre de la Descripción Tipo de Unidad de Escala
variable Variable medida
Es una medida del grado de calor o

Temperatura
frio de un cuerpo, un objeto o del Cuantitativa °C Intervalo
(Máxima, Mínima)
medio ambiente en general.
La humedad relativa es el porcentaje
de la masa de vapor de agua que hay
Humedad Relativa Cuantitativa % Razón
en un volumen de aire, y la que este
tendría si estuviera saturado.
La velocidad del viento es la relación
de la distancia recorrida por el aire m
Velocidad del Viento Cuantitativa Razón
con respecto al tiempo empleado s
en recorrerla.
Precipitación La precipitación es la caída de Cuantitativa mm Razón
partículas de agua líquida o sólida que
23
se originan en una nube,
atraviesan la atmósfera y llegan al
suelo.
Energía emitida por el Sol que mide la MJ
Radiación solar Cuantitativa Razón
intensidad de ondas electromagnéticas m2
Fuente: NASA POWER
Elaborado Por: Peñafiel Pablo, 2021
2.8 Análisis de datos Para el presente estudio, en primera instancia se realizó un análisis
exploratorio, para luego proceder con la imputación de datos faltantes mediante el algoritmo
MICE, en los casos posibles. Previo al análisis de datos funcionales se obtuvo la forma
funcional de la temperatura del aire para las curvas diarias por hora y anuales por día mediante
bases B-Splines y Fourier respectivamente. Se calculó la media y desviación estándar funcional,
para conocer el comportamiento y variabilidad de la temperatura en las 11 estaciones
meteorológicas de la provincia de Chimborazo. Se realizó la detección de atípicos, y mediante
el FANOVA se determinó las diferencias significativas entre las curvas promedio de las
estaciones en los 4 años de análisis. Para la modelación y estimación de las curvas de
temperatura en sitios no muestreados se trabajó con 11 y 15 puntos georreferenciados en la
provincia mediante Kriging Ordinario para Datos Funcionales (OKFD), donde a priori se
seleccionó el mejor modelo de semivariograma a través de validación cruzada funcional (VCF).
CAPITULO III
3. RESULTADOS Y DISCUSIÓN DE LOS RESULTADOS
3.1 Comportamiento de la reflectancia del estudio experimental
3.1.1 Curvas suavizadas para los datos de reflectancia
3.1.1.1 Suavizado B-spline
Con el fin de reducir el sesgo en los resultados para detallar de mejor manera el porcentaje de
reflectancia de cada Modificación o Tratamiento, se consideró la base de suavizado por B-
spline, con la ayuda del paquete fda.usc del software R se pudo optimizar el número de bases
necesarias para el suavizado con el cual se obtuvo un total de 23 bases funcionales, este número
24
impar aporta de manera significativamente a la optimización de las bases. A continuación, se
muestra el resultado del suavizado.
Grafico1-3: Suavizado de las curvas (B-spline cúbico)

Elaborado por: Peñafiel Pablo, 2021
En el Gráfico1-3 en la parte superior izquierda indica el suavizado de las curvas de las hojas del
Tratamiento 1(LQ101), en la parte superior derecha del gráfico muestra el suavizado de las 120
curvas de las hojas de los 14 tratamientos. En la parte inferior izquierda indica el suavizado de
las curvas de la flor del Tratamiento 1 y en la parte inferior derecha del gráfico indica el
suavizado de las 120 curvas de la flor de cada tratamiento.
3.1.2 Estadísticas descriptivas funcional por Tratamientos

3.1.2.1 Línea de quinua 1 (Tratamiento 1)
Media
Media Funcional
Funcional Desviación
Desviación Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda
25
Grafico1-3: Media y Desviación funcional (Tratamiento 1)
En la parte izquierda del grafico muestra el porcentaje promedio de reflectancia para el

Tratamiento 1(LQ101) tanto de la hoja como de la flor, se puede evidencia que tanto para la
hoja como para la flor existe un pico de reflectancia entre las ondas del infrarrojo cercano que
abarca desde los 780 a 1300 nm lo cual indica una vegetación sana es decir que la hoja y flor se
encuentran en condiciones adecuadas. En la parte derecha del grafico se indica la desviación
estándar funcional de igual forma para el Tratamiento 1, en la cual, la flor tanto en longitudes de
onda menores a 500nm (parte inicial) como en longitudes de onda mayor a 1500nm (parte final)
presenta mayor variabilidad con respecto a la hoja.

Media
Media Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda

En el Grafico 2-3 en la parte izquierda indica el porcentaje promedio de la reflectancia del

Tratamiento 2 (LQ102), tanto de la hoja como de la flor, se puede apreciar que a partir de los
1500 nm la curva promedio tanto de la hoja como de la flor no presentar picos altos de
reflectancia lo cual indica una vegetación sana y en la parte derecha del grafico se indica la
desviación estándar funcional la cual presenta una variabilidad similar tanto en hojas como en
flor en longitudes de onda menores a 500 nm y una mayor variabilidad en la flor en longitudes
de onda superior a los 2000 nm.
26
Media
Media Funcional
Funcional
1.2
1.2 HOJA
HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda

En el Grafico3-3 se indica la curva promedio de reflectancia del Tratamiento 3 (LQ103) tanto

de la hoja como de la flor, la gráfica muestra que existe un pico de reflectancia entre las ondas
del infrarrojo cercano lo cual indica una vegetación sana. En la parte derecha del grafico se
indica la desviación estándar funcional la cual presenta variabilidad en la parte inicial y en la
parte final tanto para la flor como para la hoja.
Media
Media Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda

En el Grafico 4-3 en la parte izquierda indica la curva promedio de la modificación o

Tratamiento 4 de quinua, tanto de la hoja como de la flor, se puede apreciar que a partir de los
27
1500 nm la curva promedio tanto de la hoja como de la flor no presentan los mayores picos de
reflectancia, y en la parte derecha del grafico se presenta la desviación estándar funcional la
cual indica que tanto en hoja como en flor presentan similar variación en longitudes de onda
menores a 500nm.
Media
Media Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda

En el Grafico5-3 se indica el porcentaje promedio de reflectancia para el Tratamiento 5

(LQ105) tanto de la hoja como de la flor, se puede evidencia que tanto para la hoja como para la
flor existe un pico de reflectancia entre las ondas del infrarrojo cercano, siendo la hoja la que
presenta un mayor porcentaje promedio con respecto a la flor. En la parte derecha del grafico se
indica la desviación estándar funcional para el Tratamiento 5, la cual al inicio en longitudes
menores a 500nm la flor presento mayor variabilidad, y al final en longitudes mayores a
2000nm la hoja presenta mayor variabilidad con respecto a la flor.
28
Media
Media Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda

En el Grafico6-3 en la parte izquierda indica el porcentaje promedio de la reflectancia del

Tratamiento 6 (LQ106), tanto de la hoja como de la flor, se puede apreciar que a partir de los
1500 nm la curva promedio tanto de la hoja como de la flor no presentar picos altos de
reflectancia lo cual indica una vegetación sana y en la parte derecha del grafico se indica la
desviación estándar funcional la cual para la hoja presenta mayor variabilidad al inicio a al final
con respecto a la flor.
Media
Media Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda

En la parte izquierda del grafico indica la curva promedio de reflectancia del Tratamiento 7
(LQ107) tanto de la hoja como de la flor, la gráfica muestra que existe un pico de reflectancia
29
entre las ondas del infrarrojo cercano lo cual indica una vegetación sana y en la parte derecha
del grafico se indica la desviación estándar funcional, la cual para la flor presenta al inicio en
longitudes menores a 500nm mayor variabilidad, y al final en longitudes mayores a 2000nm la
hoja presenta mayor variabilidad con respecto a la flor.
Media
Media Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda

En el Grafico8-3 en la parte izquierda indica la curva promedio de la modificación o

Tratamiento 8 de quinua, tanto de la hoja como de la flor, se puede apreciar que a partir de los
1500 nm la curva promedio tanto de la hoja como de la flor no presentan los mayores picos de
reflectancia, y en la parte derecha del grafico se presenta la desviación estándar funcional la
cual indica que la hoja presenta mayor variación en longitudes de onda de entre 700 a 1700 nm.
3.1.2.9 Línea de quinua 9 (Tratamiento9)
30
Media
Media Funcional
Funcional
1.2
1.2 HOJA
HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda


(MQ101) o modificación de la semilla de quinua tanto de la hoja como de la flor, se puede
evidencia que tanto para la hoja como para la flor existe un pico de reflectancia entre las ondas
del infrarrojo cercano, siendo la hoja la que presenta un mayor porcentaje promedio con
respecto a la flor y en la parte derecha del grafico se indica la desviación estándar funcional, la
cual al inicio en longitudes menores a 500nm la flor y la hoja presentan una variación muy
similar.

Media
Media Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda

En el Grafico10-3 la parte izquierda indica la curva promedio de reflectancia del tratamiento 10

(MQ102) tanto de la hoja como de la flor, la gráfica muestra que existe un pico de reflectancia
31
entre las ondas del infrarrojo cercano lo cual indica una vegetación sana y en la parte derecha
del grafico se indica la desviación estándar funcional, la cual para la flor presentó al inicio en
longitudes menores a 500nm mayor variabilidad, y al final en longitudes mayores a 2000nm la
hoja presenta mayor variabilidad con respecto a la flor.

Media
Media Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda


(MQ103) tanto de la hoja como de la flor, se puede evidencia que tanto para la hoja como para
la flor existe un pico de reflectancia entre las ondas del infrarrojo cercano, siendo la hoja la que
presenta un mayor porcentaje promedio con respecto a la flor. En la parte derecha del grafico se
indica la desviación estándar funcional de la misma forma para el Tratamiento 11, la cual al
inicio en longitudes menores a 500nm la flor presenta mayor variabilidad, y al final en
longitudes mayores a 2000nm la hoja presento mayor variabilidad con respecto a la flor.
32
Media
Media Funcional
Funcional
1.2
1.2 HOJA
HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda


(MQ104) o modificación de la semilla de quinua tanto de la hoja como de la flor, se puede
evidencia que tanto para la hoja como para la flor existe un pico de reflectancia entre las ondas
del infrarrojo cercano, siendo la hoja la que presenta un mayor porcentaje promedio con
respecto a la flor. En la parte derecha del grafico se indica la desviación estándar funcional para
el Tratamiento 12, la cual para longitudes de onda de entre 500 a 1400 nm la variabilidad es
muy similar tanto en hoja como en flor.

Media
Media Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda

En el Grafico13-3 la parte izquierda indica la curva promedio de reflectancia del Tratamiento 13

(MQ105) tanto de la hoja como de la flor, la gráfica muestra que existe un pico de reflectancia
33
mayor en hoja en longitudes de onda de entre 1000 a 1400 nm y en la parte derecha del grafico
se indica la desviación estándar funcional, la cual para la flor presenta al inicio en longitudes
menores a 500nm mayor variabilidad, y al final en longitudes mayores a 2000nm la hoja
presenta mayor variabilidad con respecto a la flor.

Media
Media Funcional
Funcional
1.2
1.2
HOJA HOJA
HOJA
HOJA
FLOR FLOR
FLOR
1.0
FLOR
1.0
0.3
0.3
0.8
0.8
Reflectancia
Reflectancia
%%Reflectancia
%%Reflectancia
0.2
0.2
0.6
0.6
0.4
0.4
0.1
0.1
0.2
0.2
0.0
0.0
0.0
0.0
500
500 1000
1000 1500
1500 2000
2000 2500
2500 500
500 1000
1000 1500
1500 2000
2000 2500
2500
Longitud
Longitudde
deonda
onda Longitud
Longitudde
deonda
onda

En el Grafico14-3 en la parte izquierda indica la curva promedio de la modificación o

Tratamiento 14 (MQ106) de quinua, tanto de la hoja como de la flor, se puede apreciar que a
partir de los 1500 nm la curva promedio tanto de la hoja como de la flor no presentan los
mayores picos de reflectancia, y en la parte derecha del grafico se presenta la desviación
estándar funcional la cual indica que la hoja presenta mayor variación en longitudes de onda de
entre 1000 a 1500 nm.
34
3.1.3 Remuestreo de Bootstrap
Para hallar el número óptimo de remuestras de Bootstrap para los 14 Tratamientos o

modificaciones de la semilla de quinua se utilizó el comando fdatabootstrap {} de paquete
fda.usc del software R, el cual requiere de datos en formato fdata. A continuación, se detalla el
resultado de la curva o banda de confianza de Bootstrap, el estimador de la curva media y
además el porcentaje total de reflectancia para cada tratamiento.

35
Elaborado por: Peñafiel Pablo, 2021 Elaborado por: Peñafiel Pablo, 2021
Grafico17-3: Banda de confianza T3 Grafico18-3: Banda de confianza T4


36


37
En los 14 tratamientos o modificaciones de las semillas de quinua la banda de confianza de

Bootstrap nos muestra el ancho de variabilidad de la curva funcional, dando como resultado un
mayor ancho de banda de confianza de Bootstrap entre longitudes de onda de 600 a 1400nm y
de 2000 a 25000nm.
3.1.4 Detección de datos atípicos
Para el proceso de detección de curvas atípicas funcionales para cada tratamiento se realizó
mediante la función outliers.fdata{} de la librería fda.usc, luego de definir un número de
remuestras de Bootstrap en cual dio como resultado un valor de 200 remuestras y con un nivel
de significancia del 0.05 se determinó las siguientes curvas atípicas para los 14 tratamientos.
38
Grafico29-3: Curvas atípicas para los Tratamientos (hojas)
Para las distintas modificaciones de quinua o tratamientos se encontró un total de 24 curvas

atípicas para las hojas dando como resultado que para el Tratamiento8 codificación (LQ108) y
para el Tratamiento 13 (MQ105) no se detectó curvas atípicas.
39
Grafico29-3: Curvas atípicas para los Tratamientos (flor)
Para las distintas modificaciones de quinua o tratamientos se encontró un total de 25 curvas

atípicas para la flor dando como resultado que para el Tratamiento1 codificación (LQ101) y
para el Tratamiento 6 (MQ105) no se detectó curvas atípicas.
40
3.1.5 Análisis de Componentes Principales
Con el fin de analizar las curvas de reflectancia de la planta de quinua en sus distintas
modificaciones o tratamientos e identificar patrones que se comporten de manera similar se
aplicó la técnica de Componentes Principales utilizando metodología de datos funcionales. A
continuación, se detalla la variabilidad explicada por las cuatro componentes principales,
además de las gráficas de la primera y segunda componentes principal de cada tratamiento.
3.1.5.1 Análisis de Componentes Principales funcionales de cada Tratamiento
3.1.5.1.1 Tratamiento 1 (LQ101)

En el Grafico 30-3 se muestra los cuatros primeras componentes principales del Tratamiento 1
(LQ101), que explican 79%, 19.2%, 1.1 %, 0.7 % respectivamente de la variabilidad total del
comportamiento de los valores de reflectancia de la modificación o tratamiento1 (LQ101). La
primera componente principal aporta de forma positiva en longitudes de onda superior a 1500
nm.
41
Grafico31-3: Primera y Segunda Componente Principal (Tratamiento 1)
El Grafico31-3 muestra la agrupación del Tratamiento 1, donde se puede observar que existen
grupos que presentan características similares de variabilidad, se observa que existe
características comunes entre las hojas 1, 2 y 3 de las 3 plantas respectivamente.
42

(LQ102), que explican 60.5%, 36.4%, 2.6 %, 0.3 % respectivamente de la variabilidad total del
primera componente principal aporta de forma negativa en longitudes de onda de 0 a 550 nm.
43
grupos que presentan características similares de variabilidad, en el grupo número uno se
observa características comunes con respecto al grupo de las hojas 1 2 3, 4 de las tres plantas
excluyendo a la hoja 4 de la planta 1 debido a que se encuentra muy distante.
44

(LQ103), que explican 86.4%, 11.2%, 1.9 %, 0.4 % respectivamente de la variabilidad total del
primera componente principal aporta de forma positiva en longitudes de onda de 800 a 1500nm.
45
Grafico
35-3: Primera
y Segunda
Componente Principal (Tratamiento 3)

grupos que presentan características similares de variabilidad, en un grupo se observa
características comunes con respecto a la flor en las 3 plantas, además se identifica otro grupo
con características similares con respecto a las hojas 1,2,3,4 de la planta 2, hojas 1,2,3,4 de la
planta 3, y hojas 1,2 de la planta 1. Muy separado se encuentra las hojas 4,3 de la planta 1.
46

(LQ104), que explican 85.7%, 11.8%, 2 %, 0.2 % respectivamente de la variabilidad total, las
cuatro componentes abarcan un total de 99.7% del comportamiento de los valores de
reflectancia de la modificación o tratamiento4 (LQ104). La primera componente principal
aporta de forma positiva en longitudes de onda de 800 a 1500nm.
47
características comunes con respecto a las hojas 1,2,3,4 de la planta 1, hojas 1,2,3,4 de la planta
2 y hojas 1,2,3,4 de la planta 3. Muy separado se encuentra la flor de las tres plantas.
48

(LQ105), que explican 88%, 9.5%, 2 %, 0.3 % respectivamente de la variabilidad total, las
49
características comunes con respecto a las hojas 3 de la planta 1,2,3, hojas 2 de la planta 1,3 y
hoja 4 planta 1.
50

(LQ106), que explican 68.6%, 28.8%, 1.5%, 0.5% respectivamente de la variabilidad total, las
51
con características similares con respecto a las hojas 1,2,3 de la planta 1, hojas 1,2,3 de la planta
2 y hojas 1,2,3,4 de la planta 3. Muy separado se encuentra la planta 1 y 2 de la hoja 4.
52

En el Grafico 42-3 se muestra los cuatros primeras componentes principales del Tratamiento 7 (LQ107),
que explican 77.5%, 18.1%, 3.3%, 0.8% respectivamente de la variabilidad total, las cuatro
componentes abarcan un total de 99.7% del comportamiento de los valores de reflectancia de la
modificación o tratamiento7 (LQ107). La primera componente principal aporta de forma
positiva en longitudes de onda de 800 a 1500nm.
53
grupos que presentan características muy similares de variabilidad, el grupo que se observa que
presenta mayor similitud con respecto a los valores de reflectancia es aquel que está
conformado por: hoja 4, 3 de la planta2 y hoja 2,3,4 de la planta 3.
54

(LQ108), que explican 76.2%, 19.7%, 3%, 0.7% respectivamente de la variabilidad total, las
55
Grafico
45-3: Primera
y Segunda
Componente Principal (Tratamiento 8)

con características muy similares en las hojas 1,2,3,4 de la planta 2, hojas 1,2,3 de la planta 3 y
hoja 4 de la planta 1.
56
3.1.5.1.9 Tratamiento 9 (MQ101)

(MQ101), que explican 76.5%, 19.3%, 3.5%, 0.4% respectivamente de la variabilidad total, las
reflectancia de la modificación o tratamiento9(MQ105). La primera componente principal
aporta de forma negativa en longitudes de onda menores a 700nm.
57
con características similares en las hojas 1,2,3,4 de la planta 1, hojas 2,3,4 de la planta 2, hojas
1,3 de la planta 3.
.
58
3.1.5.1.10 Tratamiento 10 (MQ102)
(MQ102), que explican 76%, 20.9%, 2 %, 0.6% respectivamente de la variabilidad total, las
reflectancia de la modificación o tratamiento10 (MQ102). La primera componente principal
59
que presenta características muy similares en las hojas 2,4 de la planta 3 y otro grupo en las
hojas 2,4 de la planta 2, hoja 1 de la planta 3 y hoja 4 de la planta 2.
60
3.1.5.1.11 Tratamiento 11 (MQ103)
aporta de forma positiva en longitudes de onda mayores a 1000 nm.
61
El Grafico51-3 muestra la agrupación del Tratamiento 11, donde se puede observar que el
comportamiento de los valores de reflectancia presenta características similares para la planta 2
y 3 en las 4 hojas y en la planta 1 en las hojas 2,3,4 este grupo mostro una mayor similitud,
mientras que la hoja 1 perteneciente a la planta 1 permanece aislada.
62
3.1.5.1.12 Tratamiento 12 (MQ104)
aporta de forma positiva en longitudes de onda mayores a 700nm.
63
características muy similares en las hojas 1,3,4 de la planta 1, hojas 1,3,4 de la planta 2, hojas
3,4 de la planta 3.
64
3.1.5.1.13 Tratamiento 13 (MQ105)
aporta de forma positiva en longitudes de onda superior a 750nm.
65
con características muy similares en las hojas 2,4,3 de la planta 3 y hoja 3 de la planta 1.
66
3.1.5.1.14 Tratamiento 14 (MQ106)
aporta de forma positiva en longitudes de onda superior a 750nm.
67
El Grafico57-3 muestra la agrupación del Tratamiento 14, donde se puede identificar que
existen grupos que presentan características similares de variabilidad, en un grupo se puede
observar características muy similares en las hojas 3,4 de la planta 2 y la planta 3 en sus cuatro
hojas, otro grupo que también se pudo visualizar características similares de reflectancia está
conformado por la planta 1 hoja 2 y la planta 2 hoja2.
68
3.1.5.2 Análisis de Componentes Principales funcionales de todos los Tratamiento
Grafico58-3: Variabilidad explicada por las cuatro componentes principales (hojas, flor)
En el Grafico 58-3 se muestra las cuatro primeras componentes principales que explican 72.4%,
21.9%, 2.9%, 1.9% respectivamente de la variabilidad total, y abarcan un total de 99.1% del
comportamiento de los valores de reflectancia de las 14 modificación o tratamiento. La primera
componente principal aporta de forma positiva en longitudes de onda de 750 a 1400nm.
69
Grafico57-3: Primera y Segunda Componente Principal de los 14 tratamientos o
modificaciones
El Grafico57-3 muestra la agrupación del total del valor de reflectancia de los 14 tratamientos,
donde se puede identificar que existen dos grupos que presentan características similares de
variabilidad, en el primer grupo se puede observar características muy similares en los 14
tratamientos con respecto a las hojas , en el segundo grupo se encuentra los 14 tratamientos de
la flor excluyendo al tratamiento 1 , 2 y 3 debido a que se encuentran muy distantes o separados
con respecto al grupo número 2.
70
3.1.6 Análisis de Varianza Funcional
Para determinar si los valores de reflectancia de la quinua son estadísticamente iguales o si son
diferentes, ser realizaron dos tipos de ANOVA funcional, el primero para estudiar si hay
diferencias significativas entre las tres plantas (hojas y flor), y el segundo para estudiar si hay
diferencia significativa entre las cuatro hojas.
3.1.6.1 ANOVA funcional de las curvas de reflectancia entre las tres plantas
A continuación, se detalla la comparación de las tres plantas tanto de la hoja como de la flor,
para ello se tomaron los datos de reflectancia suavizados por B-Spline y se utilizó un número de
100 a 200 remuestras de Bootstrap.
Density plot for bootstrap resamples
Functional Mean Bootstrap resamples n= 200
N levels: 3 , Stat: 1.829 , P-value= 0.04
1.5
1.0
1.0
0.8
0.8
1.0
0.6
0.6
Density
X(t)
X(t)
0.4
0.4
0.5
0.2
0.2
Total
Total 1
1 2
2 3
0.0
0.0
0.0
3 Resamples
500 1000 1500 2000 2500 500 1000 1500 2000 2500 0 1 2 3 4
t t N = 200 Bandw idth = 0.1074
Grafico58-3: ANOVA funcional entre las planta1 (1), planta2 (2), planta3 (3) de las hojas.

N levels: 3 , Stat: 2.638 , P-value= 0
120
0.8
0.8
100
0.6
0.6
80
Density
X(t)
X(t)
60
0.4
0.4
40
0.2
0.2
20
Total
Total 1
1 2
2 3
0
3 Resamples
0.0
0.0
500 1000 1500 2000 2500 500 1000 1500 2000 2500 0.0 0.5 1.0 1.5 2.0 2.5
t t N = 200 Bandw idth = 0.001201
71
Grafico59-3: ANOVA funcional entre las planta1 (1), planta2 (2), planta3 (3) de la flor.
El Grafico 58-3 se muestra el ANOVA funcional entre tres grupos el grupo 1 que pertenece a la
planta1, el grupo 2 a la planta 2 y el grupo 3 a la planta 3, este análisis mostró características
similares en los valores de reflectancia de las hojas, es decir que no existe evidencia suficiente
para rechazar la hipótesis nula de igual de media con un nivel de confianza del 98%, por lo tanto
la diferencia entre medias del valor de reflectancia de las tres plantas no es significativa,
mientras para los valores de reflectancia de flor Grafico 59-3 se obtuvo que si existe diferencias
significativas en las tres plantas.
3.1.6.1 ANOVA funcional de las curvas de reflectancia entre las cuarto hojas

N levels: 4 , Stat: 6.44 , P-value= 0.05
0.4
0.8
0.8
0.3
0.6
0.6
Density
X(t)
X(t)
0.2
0.4
0.4
0.1
0.2
0.2
Total
Total 1
1 2
2 3
0.0
0.0
3 4
0.0
4 Resamples
500 1000 1500 2000 2500 500 1000 1500 2000 2500 0 2 4 6 8 10 12
t t N = 200 Bandw idth = 0.4175
Gráfico 60-3: ANOVA funcional entre las cuatro hojas.

El Gráfico 60-3 muestra el ANOVA funcional entre cuatro grupos el grupo 1 que pertenece a la
hoja1, el grupo 2 a la hoja2, el grupo 3 a la hoja3, y el grupo4 a la hoja 4, este análisis mostró un
valor p de 0.05 y con un nivel de confianza del 98% se verifica que no existe evidencia
suficiente para rechazar la hipótesis nula de igual de media, por lo tanto, la diferencia entre
medias del valor de reflectancia de las cuatro hojas no es significativa.
72
3.2 Comportamiento del valor de reflectancia de la imagen satelital.
3.2.1 Proceso para obtener los datos (descarga de la imagen satelital).
Las imágenes de las distintas bandas fueron obtenidas a través de la plataforma del USGS Earth
Explorer esta página proporciona información de varios satélites entre ellos Sentinel 2 con
resolución espacial de 10, 20 y 60m, una vez obtenida la información de las coordenadas de la
parcela de investigación se continuo con el procedo de la descarga de la imagen satelital.
Figura 1-3: Plataforma USGS EARTHEXPLORER.

3.2.2. Ubicación de la parcela de investigación.
Para identificar la parcela de investigación fue necesario determinar los archivos shapefile del
cantón Colta con sus respectivas coordenadas, esta ubicación se pudo llevar a cabo con la ayuda
del Software ArcMap versión 10.5. Además, con la ayuda de la teledetección que permite
analizar o estudiar objetos sin ningún contacto físico, se pudo obtener imágenes multiespectrales
del satélite Sentinel-2B, debido a que este satélite cuenta con una mejor resolución espacial.
73
Gráfico 61-3: Imagen Sentinel-2 con las bandas 4,3,2 (color natural)
74
En la Gráfico 61-3 se detalla la imagen Sentinel-2 con resolución espacial de 20 metros, además
en la parte derecha se observa la ampliación de la parcela, la cual con la ayuda de las
coordenadas se obtuvo un total de 14 pixeles, esta parcela se encuentra localizada en la ciudad
de Villa la Unión (Cajabamba) del cantón Colta perteneciente a la provincia de Chimborazo.
3.2.3. Análisis de la imagen satelital
El satélite Sentinel-2B cuenta con un sensor multiespectral que cubre 13 bandas con resolución
espacial de 10, 20 y 60 m (Delegido et al., 2018, p.51). El análisis de las bandas se puedo
realizar utilizando la librería raster del software R, con el fin de obtener combinaciones de
bandas que proporcionen mejores resultados a la investigación. A continuación, se detalla las
bandas utilizadas para la combinación de bandas
74
Gráfico 62-3: Multibanda de la provincia de Colta resolución 20m
3.2.3.1 Combinación de banda

COLOR NATURAL INFRARROJO
9817950 9817950
9811023 9811023
9804095 9804095
9797168 9797168
9790240 9790240
720020.0 729907.5 739795.0 749682.5 759570.0 720020.0 729907.5 739795.0 749682.5 759570.0
Gráfico 63-3: Combinación de bandas

En la Gráfico 63-3 en la parte izquierda se muestra la combinación de banda de color natural

que está conformada por las bandas: Banda 4, Banda 3 y Banda 2, esta combinación se puede
apreciar que se aproxima a los colores reales del cantón Colta, además en la parte inferior
75
derecha de grafico se muestra combinación de falso color infrarrojo la cual se puedo obtener
mediante la combinación de bandas 8,4,3, esta combinación nos ayuda a detallar de mejor
manera la vegetación, donde existe mayor presencia de color rojo la vegetación se considera
sana.
3.2.4 Firma Espectral
Una vez obtenida las distintas combinaciones de banda se continuo con la determinación de la
firma o huella espectral, se utilizó la combinación de banda de color verdadero para una mejor
visualización con la ayuda del software Snap se pudo obtener los valores de reflectancia en
función de la longitud de onda para los 14 pixeles de la imagen.
Gráfico 64-3: Ubicación de los 14 pixeles en el software SNAP

Una vez descargados los valores de reflectancia en función de su longitud de onda se procedió a
realizar el grafico de la firma espectral para cada pixel.
Firma espectral pixel 1 Firma espectral pixel 2 Firma espectral pixel 5 Firma espectral pixel 6
0.35
0.35
0.25
0.30
0.30
0.30
0.20
Reflectancia %
Reflectancia %
Reflectancia %
Reflectancia %
0.25
0.25
0.15
0.20
0.20
0.20
0.10
0.10
0.15
0.15
500 1000 1500 2000 500 1000 1500 2000 500 1000 1500 2000 500 1000 1500 2000
longitud de onda longitud de onda longitud de onda longitud de onda
Firma
Firmaespectral
espectralpixel
pixel93 Firma
Firmaespectral
espectralpixel
pixel104 Firma espectral pixel 7 Firma espectral pixel 8
0.35
0.30
0.30
0.20 0.25 0.30

0.30
0.30
0.30
%
%
Reflectancia %
Reflectancia %
Reflectancia %
Reflectancia %
Reflectancia
Reflectancia
0.20
0.100.15 0.20
0.25
0.20
0.20
0.20
0.10
0.10
0.10
0.10
0.15
500
500 1000
1000 1500
1500 2000
2000 500
500 1000
1000 1500
1500 2000
2000 500 1000 1500 2000 500 1000 1500 2000
longitud
longitudde
deonda
onda longitud
longitudde
deonda
onda longitud de onda longitud de onda
Firma espe ctra l pix el 13 Firma espe ctra l pix el 14
0 .3 0
R e fle c ta n c ia %
R e f le c t a n c ia %
0 .1 0 0 .2 0 0 .3 0
Firma espectral pixel 11 Firma espectral pixel 12

0 .2 0
0.25
0.10 0.15 0.20 0.25 0.30
0 .1 0
0.20
Reflectancia %
Reflectancia %
500 1000 1500 2000 500 1000 1500 2000
longitud de onda longitud de onda

0.15
76 Firma espe ctra l pix el 12

R e fle c ta n c ia %
0 . 1 0 0 . 1 50 . 2 00 . 2 5
0.10
500 1000 1500 2000 500 1000 1500 2000

500 1000 1500 2000
longitud de onda longitud de onda longitud de onda

Gráfico 65-3: Pixeles detectados por la imagen satelital de la parcela de investigación
3.2.4. Comparación del comportamiento del valor de reflectancia del estudio experimental
vs el análisis de la imagen satelital
FIRMA ESPECTRAL DE LA IMAGEN SATELITAL

0.35
Pixel 1
Pixel 2
Pixel 3
Pixel 4
Pixel 5
Pixel 6
0.30
Pixel 7
Pixel 8
Pixel 9
Pixel 10
Pixel 11
Pixel 12
Reflectancia %
Pixel 13
Pixel 14
0.25
0.20
0.15
500 1000 1500 2000
longitud de onda
Grafico66-3: Firma espectral estudio experimental (hojas) vs imagen satelital.

77
En la parte superior del grafico mediante un previo análisis utilizando metodología con datos
funcionales se muestra la firma espectral de las hojas para los 14 tratamiento o modificaciones
de quinua, en la parte inferior de grafico se aprecia la firma espectral de los 14 pixeles de la
parcela de investigación. Se puede notar que existe un pico de reflectancia en longitudes de
onda superior a los 740nm tanto para el estudio experimental como para el estudio de la imagen
satelital.
FIRMA ESPECTRAL DE LA IMAGEN SATELITAL

0.35
Pixel 1
Pixel 2
Pixel 3
Pixel 4
Pixel 5
Pixel 6
0.30
Pixel 7
Pixel 8
Pixel 9
Pixel 10
Pixel 11
Pixel 12
Reflectancia %
Pixel 13
Pixel 14
0.25
0.20
0.15
500 1000 1500 2000
longitud de onda
Grafico67-3: Firma espectral estudio experimental (flor) vs imagen satelital.

78
En Grafico 60-3 en la parte superior del grafico se muestra la firma espectral de la flor para los
14 tratamiento o modificaciones de quinua, en la parte inferior de grafico se aprecia la firma
espectral de los 14 pixeles de la parcela de investigación. Con respecto a la flor los tratamientos
no se comportan de una forma similar debido a que existen varias tonalidades y no se asemejan
entre ellas, es importante notar que existe un pico en longitudes de onda del infrarrojo cercano
el cual nos aclara que la vegetación es considerada sana tanto para el estudio experimental como
es estudio de la imagen satelital.
2.10 Variables meteorológicas y la reflectancia del cultivo de quinua.
Para determinar si existe o no una relación entre variables meteorológicas y la reflectancia del
estudio experimental se utilizó la técnica de análisis estadístico de correlación, y con la ayuda
de la página NASA Prediction Of World wide Energy Resources se pudo obtener información
con respecto a las variables meteorológicas del cantón Colta. Los datos descargados son de la
fecha de inicio de siembra el 20 de noviembre del 2019.
1
1
Temp.Max 1 0 0.09 -0.1 -0.59 -0.1 -0.02 -0.01 0.56
Temp.Max 1 0 0.09 -0.1 -0.59 -0.1 -0.02 -0.02 0.56
0.8
0.8
Radiación.solar 0 1 -0.08 0.01 0 0.04 -0.07 -0.06 0.07
0.6
Radiación.solar 0 1 -0.08 0.01 0 0.04 -0.06 -0.06 0.07
0.6
1
Velocidad.del.viento 0.09 Temp.Max
-0.08 11 0.02 -0.17 -0.09 -0.590 -0.01 -0.02
-0.12 -0.02 0.56
0 0.09 -0.1 -0.1 0.4 Velocidad.del.viento 0.09 -0.08 1 0.02 -0.17 -0.09 -0.01 0 -0.12
0.4
0.8
Precipitación -0.1 0.01 0.02 11 0.25 0.11 0.08 0.08 -0.07

0.01 -0.06 0.20.07
Radiación.solar 0 -0.08 0.01 0 0.04 Precipitación -0.1 0.01 0.02 1 0.25 0.11 0.08 0.08 0.01 0.2
0.6
Humedad Velocidad.del.viento
-0.59 0 -0.17 0.25 11 0.52 -0.17
0.24 -0.09
0.24 00.08 -0.01 -0.12
0
0.09 -0.08 0.02 Humedad -0.59 0 -0.17 0.25 1 0.52 0.25 0.24 0.08 0
0.4
Temp.Min -0.1Precipitación
0.04 -0.09
-0.1 0.11
0.01 0.52
0.02 11 0.14 0.080.67 0.08 -0.2
0.13 0.11
0.25 0.01 -0.2
0.2 Temp.Min -0.1 0.04 -0.09 0.11 0.52 1 0.14 0.13 0.67
-0.4
T1Hoja -0.02 Humedad
-0.07 -0.59
0 0.08 0.24 0.13 11 0.521 0.250.23 0.25
-0.4
0 -0.17 0.25 0.08 0 T2Flor -0.02 -0.06 -0.01 0.08 0.25 0.14 1 1 0.23
-0.6
T1Flor -0.01 Temp.Min -0.6
-0.06 -0.01 0.08 0.24 0.14 0.521
-0.1 0.04 -0.09 0.11 1 1 0.130.23 0.14 0.67 -0.2
T2Hoja -0.02 -0.06 0 0.08 0.24 0.13 1 1 0.23
-0.8
-0.8
Temperatura 0.56 0.07 -0.4
T4Hoja -0.12 0.01
-0.02 -0.07 0.08
0 0.67 0.25
0.08 0.23 0.13
0.23 1 1 1 0.23 Temperatura 0.56 0.07 -0.12 0.01 0.08 0.67 0.23 0.23 1
-1
-1
-0.6
T4Flor -0.02 -0.06 -0.01 0.08 0.25 0.14 1 1 0.23
Grafico68-3: Correlación Tratamiento 1

-0.8
Temperatura 0.56 0.07 -0.12 0.01 0.08 0.67 0.23 0.23 1
-1

Temp.Max 1 0 0.09 -0.1 -0.59 -0.1 -0.01 -0.01 0.56
1
0.8 Elaborado por: Peñafiel Pablo, 2021
Radiación.solar 0 1 -0.08 0.01 0 0.04 -0.06 -0.06 0.07 Elaborado por:
0.6
Peñafiel Pablo, 2021
Velocidad.del.viento 0.09 -0.08 1 0.02 -0.17 -0.09 0 -0.01 -0.12
0.4
1 1
Precipitación -0.1Temp.Max 1
0.01 0.02 01 0.09
0.25 -0.1
0.11 -0.59
0.08 -0.1
0.08 -0.01
0.01 -0.01
0.2
0.56 Temp.Max 1 0 0.09 -0.1 -0.59 -0.1 -0.02 -0.01 0.56
0.8 0.8
Humedad Radiación.sol
-0.59 0 ar -0.17
0 1 -0.08
0.25 1 0.01
0.52 0
0.24 0.04
0.24 -0.06
0.08 -0.06 0 0.07 Radiación.solar 0 1 -0.08 0.01 0 0.04 -0.06 -0.06 0.07
0.6 0.6
Velocidad.del.viento
Temp.Min -0.1 0.04 -0.09 0.09 -0.08
0.11 1
0.52 0.02
1 -0.17
0.13 -0.09
0.14 0
0.67 -0.01-0.2 -0.12 Velocidad.del.viento 0.09 -0.08 1 0.02 -0.17 -0.09 -0.01 0 -0.12
0.4 0.4
-0.4
Precipitación
T3Hoja -0.01 -0.06 -0.1
0 0.01
0.08 0.02
0.24 1
0.13 0.25
1 0.11
1 0.08
0.23 0.08 0.01 0.2
Precipitación -0.1 0.01 0.02 1 0.25 0.11 0.08 0.08 0.01 0.2
-0.6
T3Flor -0.01Humedad
-0.06 -0.59
-0.01 0 -0.17
0.08 0.24 0.25
0.14 11 0.52
1 0.24
0.23 0.24 0.08 0 Humedad -0.59 0 -0.17 0.25 1 0.52 0.25 0.24 0.08 0
-0.8
-0.2 -0.2
Temperatura 0.56Temp.Min
79
-0.1
0.07 -0.12 0.04
0.01 -0.09
0.08 0.11
0.67 0.52
0.23 1
0.23 0.13
1 0.14 0.67 Temp.Min -0.1 0.04 -0.09 0.11 0.52 1 0.14 0.13 0.67
-1
-0.4 -0.4
T5Hoja -0.01 -0.06 0 0.08 0.24 0.13 1 1 0.23 T6Flor -0.02 -0.06 -0.01 0.08 0.25 0.14 1 1 0.23
-0.6 -0.6
T5Flor -0.01 -0.06 -0.01 0.08 0.24 0.14 1 1 0.23 T6Hoja -0.01 -0.06 0 0.08 0.24 0.13 1 1 0.23
-0.8 -0.8
Temperatura 0.56 0.07 -0.12 0.01 0.08 0.67 0.23 0.23 1 Temperatura 0.56 0.07 -0.12 0.01 0.08 0.67 0.23 0.23 1
-1 -1
Grafico72-3: Correlación Tratamiento 5 Grafico73-3: Correlación Tratamiento 6
1 1
Velocidad.del.viento 1 -0.08 0.09 -0.12 0 -0.01 -0.09 -0.17 0.02 Temp.Max 1 0 0.09 -0.1 -0.59 -0.1 -0.02 -0.01 0.56
0.8 0.8
Radiación.solar -0.08 1 0 0.07 -0.07 -0.07 0.04 0 0.01 Radiación.solar 0 1 -0.08 0.01 0 0.04 -0.06 -0.06 0.07
0.6 0.6
Temp.Max 0.09 0 1 0.56 -0.02 -0.02 -0.1 -0.59 -0.1 Velocidad.del.viento 0.09 -0.08 1 0.02 -0.17 -0.09 -0.01 0 -0.12
0.4 0.4
1
Temperatura -0.12 0.07 0.56 1 0.23 0.23 0.67 0.08 0.01 0.2 Precipitación -0.1 0.01 0.02 1 0.25 0.11 0.08 0.08 0.01 0.2
Temp.Max 1 0 0.09 -0.1 -0.59 -0.1 -0.01 -0.01 0.56
0.8
T7Hoja 0 -0.07 -0.02 0.23 1 1 0.13 0.24 0.08 0 Humedad -0.59 0 -0.17 0.25 1 0.52 0.25 0.24 0.08 0
Radiación.solar 0 1 -0.08 0.01 0 0.04 -0.06 -0.06 0.07
0.6
T7Flor -0.01 -0.07 -0.02 -0.2 -0.2
0.23 1 1 0.14 0.25 0.08 Temp.Min -0.1 0.04 -0.09 0.11 0.52 1 0.14 0.13 0.67
Velocidad.del.viento 0.09 -0.08 1 0.02 -0.17 -0.09 0 -0.01 -0.12
0.4
-0.4 -0.4
Temp.Min -0.09 0.04 -0.1 0.67 0.13 0.14 1 0.52 0.11 T8Flor -0.02 -0.06 -0.01 0.08 0.25 0.14 1 1 0.23
Precipitación -0.1 0.01 0.02 1 0.25 0.11 0.08 0.08 0.01 0.2
-0.6 -0.6
Humedad -0.17 0 -0.59 0.08 0.24 0.25 0.52 1 0.25 T8Hoja -0.01 -0.06 0 0.08 0.24 0.13 1 1 0.22
Humedad -0.59 0 -0.17 0.25 1 0.52 0.24 0.24 0.08 0
-0.8 -0.8
Precipitación 0.02 0.01 -0.1 0.01 0.08 0.08 0.11 0.25 1 Temperatura 0.56 0.07 -0.12 0.01 0.08 0.67 0.23 0.22 1
Temp.Min -0.1 0.04 -0.2
-1
-0.09 0.11 0.52 1 0.13 0.14 0.67
-1
Grafico74-3: Correlación Tratamiento 7 T10Hoja -0.01 -0.06 0 0.08 0.24 0.13 1 1 0.23
-0.4
Grafico75-3: Correlación Tratamiento 8 T10Flor -0.01 -0.06 -0.01 0.08 0.24 0.14 1 1 0.23
-0.6
Elaborado por: Peñafiel Pablo, 2021 -0.8

Elaborado por: Peñafiel Pablo, 2021 Temperatura 0.56 0.07 -0.12 0.01 0.08 0.67 0.23 0.23 1
-1
1 Grafico76-3: Correlación Tratamiento 9

Temp.Max 1 0 0.09 -0.1 -0.59 -0.1 -0.02 -0.01 0.56
0.8
Radiación.solar 0 1 -0.08 0.01 0 0.04 -0.07 -0.06 0.07
0.6
Velocidad.del.viento 0.09 -0.08 1 0.02 -0.17 -0.09 -0.01 0 -0.12
0.4
Precipitación -0.1 0.01 0.02 1 0.25 0.11 0.08 0.08 0.01 0.2
Humedad -0.59 0 -0.17 0.25 1 0.52 0.25 0.24 0.08 0

Grafico78-3:
Velocidad.del.viento 1 -0.08 0.09 -0.12 -0.01 0 -0.09 -0.17 0.02
1
Correlación Temp.Max 1 0 0.09 -0.1 -0.59 -0.1 -0.02 -0.01 0.56
1
Tratamiento 11
Temp.Min -0.2
-0.1 0.04 -0.09 0.11 0.52 1 0.14 0.13 0.67 0.8
0.8
Radiación.solar
Grafico79-3:
Radiación.solar -0.08 1 0 0.07 -0.06 -0.06 0.04 0 0.01 -0.4 0 1 -0.08 0.01 0 0.04 -0.06 -0.06 0.07
T9Flor -0.02 -0.07 -0.01 0.08 0.25 0.14 1 1 0.230.6 0.6
Temp.Max 0.09 0 1
T9Hoja -0.01 -0.06
0.56 -0.01 -0.01 -0.1
0 0.08 0.24 0.13
-0.59
1
-0.1
1 0.230.4
-0.6
Correlación Velocidad.del.viento 0.09 -0.08 1 0.02 -0.17 -0.09 -0.01 -0.01 -0.12
0.4
Temperatura -0.12 0.07 0.56 1

Temperatura 0.56 0.07 -0.12
0.23 0.22 0.67 0.08 0.01
0.01 0.08 0.67 0.23 0.23 1 0.2
-0.8
Tratamiento 12 Precipitación -0.1 0.01 0.02 1 0.25 0.11 0.08 0.08 0.01 0.2
-1 Elaborado por:
Humedad -0.59 0 -0.17 0.25 1 0.52 0.24 0.23 0.08
Peñafiel Pablo, 2021
T11Flor -0.01 -0.06 -0.01 0.23 1 1 0.14 0.24 0.08 0 0
T11Hoja 0 -0.06 -0.01 0.22 1 1 0.13 0.23 0.08 -0.2 Elaborado por: Peñafiel Temp.Min -0.1 0.04 -0.09 0.11 0.52 1 0.14 0.13 0.67 -0.2
Pablo, 2021
-0.4 -0.4
Temp.Min -0.09 0.04 -0.1 0.67 0.14 0.13 1 0.52 0.11 T12Flor -0.02 -0.06 -0.01 0.08 0.24 0.14 1 1 0.23
-0.6 -0.6
Humedad -0.17 0 -0.59 0.08 0.24 0.23 0.52 1 0.25 T12Hoja -0.01 -0.06 -0.01 0.08 0.23 0.13 1 1 0.22
-0.8 -0.8
Precipitación 0.02 0.01 -0.1 0.01 0.08 0.08 0.11 0.25 1 Temperatura 0.56 0.07 -0.12 0.01 0.08 0.67 0.23 0.22 1
-1 -1
1 1
Temp.Max 1 0 0.09 -0.1 -0.59 -0.1 -0.02 -0.02 0.56 Temp.Max 1 0 0.09 -0.1 -0.59 -0.1 -0.02 -0.02 0.56
0.8 0.8
Radiación.solar 0 1 -0.08 0.01 0 0.04 -0.06 -0.07 0.07 Radiación.solar 0 1 -0.08 0.01 0 0.04 -0.07 -0.07 0.07
0.6 0.6
Velocidad.del.viento 0.09 -0.08 1 0.02 -0.17 -0.09 -0.01 -0.01 -0.12Velocidad.del.viento 0.09 -0.08 1 0.02 -0.17 -0.09 -0.01 -0.01 -0.12
0.4 0.4
Precipitación -0.1 0.01 0.02 1 0.25 0.11 0.08 0.08 0.01 Precipitación
0.2 -0.1 0.01 0.02 1 0.25 0.11 0.08 0.08 0.01 0.2
Humedad -0.59 0 -0.17 0.25 1 0.52 0.25 0.24 0.08 0Humedad -0.59 0 -0.17 0.25 1 0.52 0.25 0.24 0.08 0
Temp.Min -0.1 -0.2 -0.2

0.04 -0.09 0.11 0.52 1 0.14 0.13 0.67 Temp.Min -0.1 0.04 -0.09 0.11 0.52 1 0.14 0.13 0.67
-0.4 -0.4
T13Flor -0.02 -0.06 -0.01 0.08 0.25 0.14 1 1 0.23 T14Flor -0.02 -0.07 -0.01 0.08 0.25 0.14 1 1 0.23
-0.6 -0.6
T13Hoja -0.02 -0.07 -0.01 0.08 0.24 0.13 1 1 0.22 T14Hoja -0.02 -0.07 -0.01 0.08 0.24 0.13 1 1 0.22
-0.8 -0.8
Temperatura 0.56 0.07 -0.12 0.01 0.08 0.67 0.23 0.22 1 Temperatura 0.56 0.07 -0.12 0.01 0.08 0.67 0.23 0.22 1
-1 -1
Grafico80-3: Correlación Tratamiento 13 Grafico81-3: Correlación Tratamiento 14

80
De la Figuras 5-3 hasta Figura 12-3 muestra la matriz de correlación entre las variables meteorológicas y cada
Tratamiento, es importante notar que en ningún tratamiento tanto en hoja como en flor no se aprecia que existe una
correlación alta positiva , debido a que el valor de reflectancia puede ser afectado en menor medida con respecto a
variables meteorológicas.
81
GLOSARIO
82
CONCLUSIONES
RECOMENDACIONES
83
BIBLIOGRAFÍA.
ARRIAZA GÓMEZ, A.J., FERNÁNDEZ, F., LÓPEZ SÁNCHEZ, P.M.A., MUÑOZ

MÁRQUEZ, M., PÉREZ, S. y NAVAS, P.A.S., [sin fecha]. Estadística Básica con
R y R-Commander 2 a Edición Revisada (Versión Marzo 2013). [en línea]. S.l.:
[Consulta: 20 diciembre 2020]. Disponible en: http://www.uca.es/publicaciones.
BORRÀS, J., DELEGIDO, J., PEZZOLA, A., PEREIRA, M. y MORASSI, G., 2017,.
Land use classification from Sentinel-2 imagery. Revista de Teledetección [en
línea], vol. 48, pp. 55–66. [Consulta: 18 diciembre 2020]. ISSN 1988-8740. DOI
10.4995/raet.2017.7133. Disponible en: https://doi.org/10.4995/raet.2017.7133.
C, C.N. y I, E.P., 2009,. “ Iniap – Imbaya ” E “ Iniap – Cochasqui ”, Primeras
Variedades De Quinua Para La Sierra. [en línea], pp. 1–11. Disponible en:
http://repositorio.espe.edu.ec/bitstream/21000/15630/2/ESPEL-MEC-0156-P.pdf.
Caracterización Espectral y Detección de Flecha Seca en Palma Africana en Puntarenas,
Costa Rica. Revista Geográfica de América Central, 2018,. vol. 2, no. 61, pp. 329.
ISSN 1011-484X. DOI 10.15359/rgac.61-2.13.
CARREÑO MADINABEITIA, S., 2013,. Aplicaciones en meteorología de modelos
funcionales de predicción en componentes principales. ,
CARRILLO, L., 2016,. Determinación de la firma espectral de gynoxys sp, para la
clasificación de imágenes satelitales en el bosque de ceja andina en la parroquia
achupallas, cantón Alausí, provincia de Chimborazo. , pp. 144.
CASTRO, E.S., 2014,. Evaluación de Imágenes Satelitales de Precipitaciones (TRMM
3B43 mensual) en Región Costa, Sierra y Oriente del Ecuador. [en línea], pp. 51.
Disponible en:
http://dspace.ucuenca.edu.ec/bitstream/123456789/20874/1/TESIS.pdf.
CHÁVEZ, C., SÁNCHEZ, J. y DELACERDA, J., 2015,. Análisis de componentes
principales funcionales en series de tiempo económicas. GECONTEC: Revista
Internacional de Gestión del Conocimiento y la Tecnología [en línea], vol. 3, no. 2,
pp. 13–25. Disponible en:
https://rei.iteso.mx/bitstream/handle/11117/2757/Análisis de componentes
principales funcionales en series de tiempo
económicas_Chávez_Sánchez_DelaCerda-2015 %28002%29.pdf?sequence=2.
CLAUDIO R. BERNAL B., andrea C.L.R.J.P.G.B., 2015,. Quinua , Con Miras a Su
84
Utilización En Un. [en línea], no. September, pp. 1–16. Disponible en:
file:///C:/Users/Ivann/Downloads/OBTENCION_A_ESCALA_DE_LABORATO
RIO_DE_OCTENILSUCCIN (1).pdf.
DE LA CRUZ, D.J.A., SÁNCHEZ, G.P., GALVIS, S.A. y CARRILLO, S.J.A., 2011,.
Spectral Indexes in Sweet Pepper for Diagnosis of Nitrogen Nutrient Status. Terra
Latinoamericana, vol. 29 (3), pp. 259–265.
DELEGIDO, J., PEZZOLA, A., CASELLA, A., WINSCHEL, C., URREGO, E.P.,
JIMENEZ, J.C., SOBRINO, J.A., SORIA, G. y MORENO, J., 2018,. Estimación
del grado de severidad de incendios en el sur de la provincia de Buenos Aires,
Argentina, usando Sentinel-2 y su comparación con Landsat-8. Revista de
Teledetección [en línea], vol. 2018, no. 51, pp. 47. [Consulta: 28 diciembre 2020].
ISSN 1988-8740. DOI 10.4995/raet.2018.8934. Disponible en:
https://polipapers.upv.es/index.php/raet/article/view/8934.
ESCUDERO, A.I., RECALDE, C.G., HARO, S.M. y MENESES, M.A., 2016,. Spline
cúbico para el tratamiento funcional de la radiación solar global. Informacion
Tecnologica, vol. 27, no. 2, pp. 153–162. ISSN 07180764. DOI 10.4067/S0718-
07642016000200018.
FEBRERO-BANDE, M. y DE LA FUENTE, M.O., 2012,. Statistical computing in
functional data analysis: The R package fda.usc. Journal of Statistical Software [en
línea], vol. 51, no. 4. ISSN 15487660. DOI 10.18637/jss.v051.i04. Disponible en:
https://www.jstatsoft.org/article/view/v051i04.
FIN DE GRADO, T., MIGUEL, D., LLAMAS, P., ÁNGEL, L. y ESCUDERO, G.,
2019,. Facultad de Ciencias Análisis de Datos Funcionales aplicado a datos de
temperatura en España. [en línea]. S.l.: [Consulta: 30 septiembre 2020]. Disponible
en: http://uvadoc.uva.es/handle/10324/38312.
FUNCTIONAL, U. y STATISTIC, D., 2016,. with Lethal Wilt , Using Functional Data
Statistic Analysis. , vol. 37, pp. 131–139.
GAO, H.O. y NIEMEIER, D.A., 2008,. Using functional data analysis of diurnal ozone
and NOx cycles to inform transportation emissions control. Transportation
Research Part D: Transport and Environment, vol. 13, no. 4, pp. 221–238. ISSN
13619209. DOI 10.1016/j.trd.2008.02.003.
GARCÍA ALONSO, A., 2016,. Estudio De La Reflectancia Espectral Y Modelos De
Predicción De Color En Mosaicos Vítreos. [en línea], pp. 48. Disponible en:
https://repositorio.unican.es/xmlui/bitstream/handle/10902/9203/Garcia Alonso
85
Andrea.pdf?sequence=1.
GIRALDO, R., DELICADO, P. y MATEU, J., 2010a,. Continuous time-varying kriging
for spatial prediction of functional data: An environmental application. Journal of
Agricultural, Biological, and Environmental Statistics, vol. 15, no. 1, pp. 66–82.
ISSN 10857117. DOI 10.1007/s13253-009-0012-z.
GIRALDO, R., DELICADO, P. y MATEU, J., 2010b,. Continuous time-varying
kriging for spatial prediction of functional data: An environmental application.
Journal of Agricultural, Biological, and Environmental Statistics [en línea], vol.
15, no. 1, pp. 66–82. [Consulta: 1 octubre 2020]. ISSN 10857117. DOI
10.1007/s13253-009-0012-z. Disponible en:
https://link.springer.com/article/10.1007/s13253-009-0012-z.
HERNÁNDEZ, J. y MONTANER, D., 2009,. Patrones De Respuesta Espectral.
Universidad de Chile [en línea], pp. 3. Disponible en:
http://www.gep.uchile.cl/Publicaciones/Hernández & Montaner 2009 SAF.pdf.
IDROBO, P., 2018,. Desarrollo de un modelo de simulacion mediante el software
epanet de la red de distribucion de agua potable de la cabecera cantonal de Guano,
provincia de Chimborazo. ,
INIAP-Estación Experimental Santa Catalina. , [sin fecha]. S.l.:
JIMÉNEZ, R.M.R., CAPA, Á.B. y LOZANO, A.P., 2004,. Meteorología Y
Climatología [en línea]. S.l.: s.n. ISBN 8468885355. Disponible en:
https://cab.inta-csic.es/uploads/culturacientifica/adjuntos/20130121115236.pdf.
LEMUS, ANDREA. MÉNDEZ, P., 2018,. Universidad Politécnica Salesiana Sede
Quito. Tesis [en línea], pp. 1–57. Disponible en:
http://dspace.ups.edu.ec/bitstream/123456789/5081/1/UPS-CYT00109.pdf.
MANUEL, J. y HERRERA, B., [sin fecha]. UNIVERSIDAD NACIONAL DE
COLOMBIA FACULTAD DE CIENCIASÁREA CIENCIAS´ CIENCIAS
ÁREA DE CIENCIAS NATURALES MEDELLÍNMEDELL´MEDELLÍN
DETERMINACIÓNDETERMINACI´ DETERMINACIÓN DEL NIVEL
FOLIAR DE NUTRIENTES MEDIANTE ESPECTROSCOP
ÍAESPECTROSCOPÉSPECTROSCOPÍA DE REFLECTANCIA. . S.l.:
MENESES-FREIRE, A., ZUÑIGA-LEMA, L. y HARO, A., [sin fecha]. MÉTODO
BOOTSTRAP PROPUESTO PARA HIPÓTESIS CONCERNIENTES A LA
DIFERENCIA DE MEDIAS EN VARIABLES INDEPENDIENTES. . S.l.:
MORALES, A. y MORAL, D.E.L., 2009,. Universidad de granada. , vol. 4, no. 2, pp.
86
185–190.
NOGUERALES, J.L.T., 2010,. Análisis de Datos Funcionales , Clasificación y
Selección de Variables. , pp. 67.
PAGOT, M., 2003,. Metodologías Inductivas Y Deductivas En Técnicas De
Teledetección. Problemas del Conocimiento en Ingeniería y Geología [en línea],
vol. I, pp. 114–129. Disponible en:
http://www.facultad.efn.uncor.edu/webs/departamentos/estruct/lgodoy/Problemas
Conocimiento/8_Pagot.pdf.
QUILLUPANGUI NASIMBA, C.D. y DARÍO, C., 2019,. Determinación del
comportamiento espectral de coberturas y usos de la tierra de la subcuenca del río
San Pedro. [en línea]. S.l.: Quito: UCE. [Consulta: 12 enero 2021]. Disponible en:
http://www.dspace.uce.edu.ec/handle/25000/19802.
RENÉ, I.A.L. y VILLCA, T., 2017,. UNIVERSIDAD MAYOR DE SAN ANDRÉS
FACULTAD DE AGRONOMÍA POSTGRADO TESIS DE MAESTRÍA
ESCENARIOS DEL IMPACTO DEL CLIMA FUTURO EN ÁREAS DE
PRODUCCIÓN DE QUINUA (Chenopodium quinoa) EN BOLIVIA. . S.l.:
SACRISTÁN ROMERO, F., 2005,. La Teledetección satelital y los sistemas de
protección ambiental. Civilizar, vol. 5, no. 9, pp. 1. ISSN 1657-8953. DOI
10.22518/16578953.701.
TAGUACUNDO ORTA, O.E., 2019,. “ Componentes Principales Funcionales De La
Radiación Solar Global De La Provincia De Chimborazo, 2014-2017”. Escuela
Superior Politécnica De Chimborazo,
TARRÍO SAAVEDRA, J., 2010,. Javier Tarrío Saavedra Julio 2010. ,
ึ ษา. ,
นพพงษ์ บุญจิตราดุลย์, 2529,. No Title หลักการบริหารการศก
ANEXOS
87
88
a

Correcciónes D

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Correcciónes D

Cargado por

Copyright:

Formatos disponibles

ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

“ANÁLISIS ESTADÍSTICO FUNCIONAL DE LA REFLECTANCIA

Presentado para obtener el grado académico de:

AUTOR: PABLO ANDRÉS PEÑAFIEL SAQUICARAY

TUTORA: ING. Amalia Isabel Escudero Villa

Pablo Andrés Peñafiel Saquicaray

El Tribunal del Trabajo de Titulación, certifica que: El trabajo de investigación: “ANÁLISIS

Ing. Amalia Isabel Escudero Villa __________________ __________________

Ing. Carlos Rosero __________________ __________________

La teledetección se define como la ciencia y arte de obtener información de un objeto a la

1. MARCO TEÓRICO REFERENCIAL

El análisis de datos funcionales (ADF) se ha convertido en la última década en un área de

Según el Instituto Nacional de Investigaciones Agropecuarias (INIAP, 2013) menciona que en

La estimación de variables meteorológicas como la precipitación es una tarea complicada en

El espectro de la reflectancia de las plantas es un indicador preciso de la fracción de la cobertura

¿Presenta el valor de reflectancia del cultivo de quinua relación con el comportamiento de

En la agricultura de precisión se emplea herramientas estadísticas para monitorear cultivos, pero

1.4.1. Objetivo General

Analizar el comportamiento de la reflectancia del cultivo de quinua en Colta, mediante

1.4.2. Objetivos Específicos

1.5. Bases teóricas

Figura 1-1: Planta de quinua

Altitud: 0 a 4.000 m.s.n.m.

Tabla 1-1: Rango de temperaturas en estado de desarrollo del cultivo de quinua

Germinación 5°C 18°C 35°C

1.5.3 Enfermedades del cultivo

1.5.4 Energía electromagnética

Figura 2-1: Vectores eléctricos (E) y magnéticos (M), de una onda

1.5.5 Tipos de Energía Electromagnética

Considerando la longitud de onda como variable discriminadora es posible distinguir entre

Tabla 2- Longitud de Características

Radar 0,1- 100 cm. Radiación de grandes longitudes de

Ondas de > 100 cm. Radiación con las mayores longitudes

Un espectroradiómetro es un instrumento capaz de medir la radiación de luz entrante, así como

La teledetección o Sensores Remotos permite obtener información de un objeto, área o

1.5.8 Imágenes satelitales

1.5.9 Imágenes Sentinel-2

Fuente:(Delegido, 2018, p.51)

1.5.10 Reflectancia espectral

La importancia de la reflectancia espectral radica en que la forma de esta función, o espectro de

1.5.11 Firmas espectrales

1.5.12 Reflectividad de la vegetación.

La Meteorología es la ciencia encargada del estudio de la atmósfera, de sus propiedades y de los

1.5.15 Dato Funcional

1.5.16 Variable aleatoria funcional

1.5.17 Análisis de datos funcionales

Robert Gentleman y Ross Ihaka del Departamento de Estadística de la Universidad de Auckland

SNAP Sentinel es un software libre el cual se utiliza principalmente para el procesamiento y

1.6. Bases conceptuales

1.6.1 Análisis de imágenes satelitales

1.6.2 Espacio funcional

El espacio funcional es un conjunto de funciones entre dos conjuntos fijos. Si se considera un

P ( x ) ={a+ bx+ c x 2+ d x 3 +… :( a , b , c , …) ∈ R } , este conjunto también pertenece al espacio

1.6.3 Espacios de Hilbert

1.6.4 Función Base

1.6.5 Suavizado (Base B-Spline.)

1.6.6 Remuestreo de Bootstrap

En el análisis de datos estadísticos existe un método de Remuestreo denominado Bootstrap el

1.6.7 Curvas atípica y Bandas de confianza

1.6.8 Análisis Exploratorio funcional

1.6.9 Media funcional

1.6.11 Covarianza funcional

La covarianza muestral de (t) entre t 1 y t 2 se define como la función:(Taguacundo Oscar, 2019,

Ing. Amalia Isabel Escudero Villa

Ing. Carlos Rosero