ESCUELA MILITAR DE INGENIERÍA

MCAL. ANTONIO JOSÉ DE SUCRE

“BOLIVIA”

INFORME: ANÁLISIS DE VARIACIÓN DE COBERTURA

GLACIAR DEL NEVADO “ILLIMANI” A
TRAVÉS DE GOOGLE EARTH ENGINE Y
ARCGIS

VILLAMIL FERNANDEZ SEBASTIAN A22655-6

AP. PATERNO AP. MATERNO NOMBRES CÓDIGO

CURSO: 8VO Ambiental

MATERIA: Modelización Ambiental
Docente: Ing. Ariel Reinaga Colomo

30 / NOVIEMBRE / 2021
Fecha de entrega
 ÍNDICE

1. INTRODUCIÓN................................................................................................................. 1
2. OBJETIVO ......................................................................................................................... 1
2.2. Objetivo General ............................................................................................................ 1
2.3. Objetivos Específicos .................................................................................................. 1
3. MARCO TEÓRICO .......................................................................................................... 2
3.1. ANÁLISIS MULTITEMPORAL .............................................................................. 2
3.2. Normalized Difference Snow Index (NDSI): ............................................................ 2
4. DESARROLLO METODOLÓGICO .............................................................................. 4
4.1. Primera parte: ............................................................................................................. 4
4.2. Segunda parte .............................................................................................................. 9
5. RESULTADOS ................................................................................................................. 17
6. CONCLUSIONES ............................................................................................................ 20
7. BIBLIOGRAFÍA .............................................................................................................. 21
ANÁLISIS DE VARIACIÓN DE COBERTURA GLACIAR DEL NEVADO “ILLIMANI”
A TRAVÉS DE GOOGLE EARTH ENGINE Y ARCGIS

1. INTRODUCIÓN

Los glaciares de América del Sur representan el 0,2% de la superficie mundial de glaciares. Este
porcentaje incluye los glaciares de la Patagonia de Chile y Argentina, que son los más grandes de
América Latina. Los glaciares bolivianos representan por su parte, el 2% de la superficie glaciar
de la región. En consecuencia, la superficie de glaciares de Bolivia tiene reducida importancia a
nivel mundial, no obstante, es importante analizar el valor que tienen los glaciares para Bolivia a
nivel local y regional.
Casi todos se encuentran en la Cordillera Real, desde la Cordillera Químsacruz hasta la Cordillera
Apolobamba en la frontera de Perú. Unos pocos y pequeños glaciares se ubican en la frontera con
Chile (Cordillera Occidental), donde se encuentra el Sajama, el Parinacota, el Pomerape y el
Acotango, este último casi extinto. Podemos decir que, al hablar de glaciares en Bolivia, nos
referimos a los glaciares del departamento de La Paz.
Al inicio de los años ochenta existían en Bolivia aproximadamente dos mil glaciares, de los cuales
el 80% no abarcaba siquiera los 0,5 Km2 cada uno. Según estas dimensiones, pueden considerarse
glaciares pequeños. Para ese año el área total de glaciares era de 566 km 2. El acelerado
derretimiento de los glaciares comenzó a inicios de los ochenta, y se presume que en los últimos
veinte o veinticinco años, un número importante de estos pequeños glaciares ha desaparecido:
Algunos fueron documentados (medidos y caracterizados), pero la gran mayoría no tiene ningún
registro. Actualmente se estima que los glaciares cubren aproximadamente 500 km2.
El Illimani, con 6.460 metros sobre el nivel del mar, es una montaña de Bolivia, ubicada cerca de
la ciudad de La Paz. Es la mayor altura de la Cordillera Real y la segunda de Bolivia (detrás del
Sajama, que pertenece a la Cordillera Occidental (Bolivia)). Se encuentra ubicado en la Provincia
Pedro Domingo Murillo.
El Illimani es un enorme macizo de más de 8 km de longitud y cuatro cumbres que sobrepasan los
6.000 de altitud, estas discurren de noroeste a sureste, y de ellas es el último nevado de la Cordillera
Real de norte a sur; por el norte el cordón comienza con el Nevado Illampu y termina por el sur
con el Illimani (suroeste).

2. OBJETIVO

2.2. Objetivo General

Realizar un análisis de la variación de la cobertura glaciar del nevado Illimani.

2.3.Objetivos Específicos
➢ Descargar imágenes del satélite “Lansdsat TOA Percentile Composite”.

1
 ➢ Determinar la superficie de cobertura glaciar del Illimani.
➢ Realizar un análisis de los resultados obtenidos.

3. MARCO TEÓRICO

3.1. ANÁLISIS MULTITEMPORAL

En la actualidad, la administración y análisis de la cobertura del suelo (bosque, tierras agrícolas,
etc.), implica un análisis de las características del paisaje en relación con los cambios de tipo
antropogénicos o naturales que han ocurrido sobre dicho paisaje.
Este estudio se realiza mediante un análisis multitemporal de tipo espacial, el cual compara dos o
más imágenes de sensores remotos, del mismo lugar en diferentes fechas, lo que permite evaluar
los cambios en la cobertura del suelo.
Los datos obtenidos mediante este tipo de análisis, han sido propuestos como la mejor alternativa
para evaluar variables estructurales y eco-fisiológicas a diferentes escalas (local, regional,
nacional, etc.).
El análisis multitemporal permite detectar cambios entre diferentes fechas de referencia,
deduciendo la evolución del medio natural o las repercusiones de la acción humana sobre ese
medio (Chuvieco 1996). Como interface entre la información espacial y el Sistema de Información
Geográfica (SIG) se encuentra la fotointerpretación, que es una técnica que identifica y cuantifica
áreas (objetos) de interés.

3.2. Normalized Difference Snow Index (NDSI):

El Índice Diferencial Normalizado de Nieve (NDSI) es un indicador numérico que muestra la
cobertura de nieve en áreas terrestres. Las bandas espectrales de infrarrojos verdes y de onda corta
(SWIR) se utilizan dentro de esta fórmula para trazar el mapa de la cubierta de nieve. Dado que la
nieve absorbe la mayor parte de la radiación incidente en el SWIR mientras que las nubes no lo
hacen, esto permite a NDSI distinguir la nieve de las nubes. Esta fórmula se utiliza comúnmente
en la aplicación de mapas de cobertura de nieve y hielo, así como en el monitoreo de glaciares
(Bluemarblegeo, 2019).

(𝑉 − 𝑆𝑊𝐼𝑅)
𝑁𝐷𝑆𝐼 =
𝑉 + 𝑆𝑊𝐼𝑅
Dónde:
- V: es la reflectancia en el rango del infrarrojo cercano
- SWIR: es la reflectancia en la banda infrarroja de onda corta

2
 Figura 1. Bandas utilizadas para estimación índice NDSI.

Figura 2. Curvas de reflectividad para la nieve con distintos tamaños de grano (Dozier, 1989; en Ariza,
2006).

3
4. DESARROLLO METODOLÓGICO

El marco metodológico se desarrolló en base a la plataforma “Google Earth Engine” y al programa

“ArcGis”.
En la plataforma Google Earth Engine se procedió a la identificación del área de estudio, que
corresponde al nevado de la montaña “El Illimani” ubicada en la ciudad de La Paz, del
departamento de La Paz – Bolivia.
4.1.Primera parte:

➢ Se utilizó la imagen “Compuesto Percentil Landsat TOA”, ya que ésta calcula un

compuesto Landsat al tope de la atmósfera (TOA) de una colección de escenas del sensor
Landsat.

Imagen 1: Utilización de la imagen “Compuesto Percentil Landsat TOA” en la plataforma Google Earth
Engine.

4
Imagen 2: visualización de la imagen “Compuesto Percentil Landsat TOA” en la plataforma Google Earth Engine.

➢ Posteriormente se procedió a seleccionar el tiempo de análisis desde el año 1999 hasta el

2014, realizando la observación de la cobertura glaciar por cada dos años.

Imagen 3: Visualización de la imagen “Compuesto Percentil Landsat TOA” en la plataforma Google Earth Engine.

➢ Se procedió, en la pestaña “visualization” a seleccionar las bandas B5, B4 y B3 para poder

resaltar la cobertura glaciar del Illimani.

5
 Imagen 4: Selección de las bandas B5 – B4 – B3 en la imagen “Compuesto Percentil Lansad TOA” de la
plataforma Google Earth Engine.

➢ Visualización de la cobertura glaciar resaltada por la integración de las bandas B5-B4-B3.

Imagen 5: Visualización de la cobertura glaciar resaltada por la integración de las bandas B5-B4-B3

➢ Posteriormente se procedió a realizar la “Expession” en la opción “Add Computation” para

poder implementar la fórmula del Índice Diferencial Normalizado de Nieve, por sus siglas
en inglés (NDSI).

6
 Imagen 6: Selección de la función “Expresión” para la implementación de la fórmula del NDSI.

➢ Se encriptó la fórmula del Índice Diferencial Normalizado de Nieve en la barra de

“Expression”:

(𝑖𝑚𝑔1[“𝐵2”] − 𝐼𝑚𝑔1[“𝐵5”])
𝑁𝐷𝑆𝐼 =
(𝑖𝑚𝑔1[“𝐵2”] + 𝐼𝑚𝑔1[“𝐵5”])

Imagen 7: Implementación de la fórmula del NDSI.

➢ Se obtuvo el resultado de la fórmula del NDSI implementada, resaltando de color blanco

la cobertura glaciar y discriminando cualquier otro índice de cobertura.

7
 Imagen 8: Resultado de la cobertura glaciar por la implementación de la fórmula del NDSI.

➢ Se procedió a generar la descarga de la imagen para cada dos años:1999 – 2000 – 2002 -
2004 – 2006 – 2008 – 2010 - 2012 y 2014.

Imagen 9: Preparación de descarga de las imágenes NDSI generadas.

➢ Finalmente, se ajustan los parámetros para generar la descarga de las 9 imágenes, se

selecciona la imagen en formato Geo TIFF (File per band), en la proyección WGS84, con
una resolución de 30 metros.

8
 Imagen 10: Descarga de las imágenes NDSI generadas.

4.2. Segunda parte

➢ Una vez descargadas las imágenes NDSI en formato TIFF, se procedió a abrir el programa
ArcMap para realizar el cálculo de las áreas de la cobertura glaciar. Para ello se realizó la
clasificación para determinar los valores, tanto para el “Número de Clases” y para el “Break
Values”.

Imagen 11: Visualización de las imágenes NDSI en el programa ArcMap

9
 Imagen 12: Clasificación de las imágenes NDSI

➢ Una vez seleccionada la opción “classified” se selecciona para dos (2) clases en la casilla
“classes”

Imagen 13: Selección de dos clases.

10
➢ En la opción “classify” se asignan manualmente en el “Break Values” los valores que van
desde 0,7 a 1. Esta asignación de valores es debido a que son los que mejor se ajustan en
el modelo, ya que se determinaron minuciosamente por medio de prueba y error, de forma
que resalte mejor la cobertura glaciar, eliminando cualquier otro matiz que no sea
representativo y de importancia para el estudio.

Imagen 14: Determinación de los valores en el “Break Value”

Imagen 15: Resultado de la clasificación de los valores por el número de clases.

11
 Imagen 16: Cambio de coloración de los resultados para una mejor interpretación

➢ Se realizó la modelización mediante la herramienta “ModelBuilder” agregando la imagen

NDSI, la herramienta “Reclassify” y finalmente la herramienta “Raster to Polygon”.

Imagen 17: Uso de la herramienta “ModelBuilder”

12
➢ Mediante la herramienta “Reclassify” se reclasifica el número de clases representadas en
dos bandas para resaltar la cobertura glaciar, discriminado así las demás coberturas.

Imagen 18: Uso de la herramienta “Reclassify”

➢ Una vez reclasificada la imagen, se procede a convertirla en un polígono, resaltado las

clases previamente definidas. Cabe resaltar que esta herramienta transforma la imagen de
formato raster a un formato vectorial.

Imagen 19: Uso de la herramienta “Raster to Polygon”

13
➢ Realizados los pasos anteriores se procede a hacer correr el modelo

Imagen 20: ModelBuilder generado

➢ Una vez generado el modelo se procede a modificar el shape del polígono creado, en las
propiedades del layer, en la pestaña “Symbology” – “Value Field” se selecciona la opción
“gridcode” para que la evaluación del layer esté en base a la clasificación de las dos clases
definidas anteriormente que van desde 0,7 a 1.

Imagen 21: Resultado obtenido con la herramienta Polygon

14
 Imagen 22: Ajustes en la herramienta Polygon

Imagen 22: Resultado de los polígonos en base al gridcode seleccionado

➢ Obtenido el polígono en función al gridcode se simplifica los datos del layer mediante la
herramienta “Dissolve” basándonos en un atributo de la capa que vamos a disolver, en este
caso la cobertura glaciar de los demás puntos. De esta manera podemos fusionar los
polígonos cuyos valores son iguales en el campo de la tabla de atributos que seleccionemos.

15
 Imagen 23: Uso de la herramienta “Dissolve”tomando en cuenta el atributo “gridcode”

➢ Generado el Dissolve, en la tabla de atributos del nuevo layer creado, se procede a realizar
el calculo del área de la cobertura en hectáreas.

Nota: el procedimiento descrito anteriormente se realiza para cada una de las imágenes NDSI
para obtener el valor del área de la cobertura glaciar del tiempo a analizado en el área de estudio.

16
5. RESULTADOS

Mediante la metodología descrita en el punto 4 se obtuvieron los siguientes valores de superficie:

Superficie
Años
glaciar (Ha)
1999 1921.811
2000 2273.784
2002 2477.778
2004 2027.945
2006 2016.367
2008 2063.982
2010 1612.306
2012 2219.678
2014 1985.676

Tabla 1: Superficie glaciar

Siendo el 2002 el año que presenta mayor superficie glaciar y el 2010 el año que presenta
menor superficie glaciar.

Se realizaron gráficas que expresan de manera clara el comportamiento de la cobertura glaciar a

través del tiempo, específicamente desde el año 1999 al 2014.

El Illimani
2650.000
2477.778
2450.000
2273.784
Superficie glaciar (Ha)

2219.678
2250.000
2027.945 2016.367 2063.982
1985.676
2050.000 1921.811

1850.000
1612.306
1650.000

1450.000
1998 2000 2002 2004 2006 2008 2010 2012 2014 2016
Tiempo (Años)

Tabla 2: Comportamiento de la cobertura glaciar del Illimani desde 1999 - 2014

17
 El Illimani
2650.000
y = -26.696x + 2200.1
2450.000 R² = 0.0903
Superficie glaciar (Ha)

2250.000

2050.000

1850.000

1650.000

1450.000
0 1 2 3 4 5 6 7 8 9 10
Tiempo (Años)

Tabla 3: Comportamiento de la línea de tendencia de la cobertura glaciar del Illimani (1999-2014)

Realizando el análisis de los gráficos en las tablas 2 y 3, se puede objetar de que desde el año 1999
hasta el 2014 ha existido un retroceso glaciar muy insignificante, con algunas importantes
variaciones, como la del incremento de la superficie glaciar en el año 2002 y un decremento
abrupto en el año 2010.
Si bien este comportamiento lineal solo se puede observar hasta el año 2014, los datos no son los
suficientes como para poder desarrollar una proyección a largo plazo del comportamiento de la
superficie de la cobertura glaciar. Empero este análisis esta planteado como base para futuros
estudios del análisis de comportamiento de la cobertura glaciar del nevado de la montaña “El
Illimani”.

18
ANÁLSIS MULTITEMPORAL DE LA COBERTURA GLACIAR DEL “ILLIMANI”

1999: 1921.811 Ha

2000: 2273.784 Ha

2002: 2477.778 Ha

2004: 2027.945 Ha

2006: 2016.367 Ha

19
 2008: 2063.982 Ha

2010: 1612.306 Ha

2012: 2219.678 Ha

2014: 1985.676 Ha
Tabla 4: Mosaico del análisis multitemporal de la cobertura glaciar del Illimani (1999-2014)

6. CONCLUSIONES

Google Earth Engine es una herramienta eficiente de procesamiento en nube, para análisis de
cambios multitemporales espaciales, su utilización como herramienta PDI para la detección de
cambios en los glaciares, bofedales y lagunas fue satisfactorio y siendo muy útil para este tipo de
estudios. Posibilitando añadir imágenes de otras fuentes y ser procesados.

Posteriormente se procesaron las imágenes Landsat en el programa ArcMap, lográndose obtener

satisfactoriamente la superficie en hectáreas de la cobertura glaciar del Illimani para

20
posteriormente realizar un análisis en cuanto a la variación de la cobertura glaciar a través del
tiempo, específicamente desde 1999 – 2014.

Se observó un comportamiento líneal con una leve tendencia de descenso de la cobertura glaciar,
lo que se puede deducir que la pérdida progresiva de la cobertura glaciar del Illimani viene dada
sin duda por la variación de la temperatura que se viene dando desde el siglo pasado y que ha
estado en aumento en estos últimos anos.

7. BIBLIOGRAFÍA

• Tarquino R. (2018). Estado Actual y Escenarios Futuros del Derretimiento Glaciar en la

Cordillera de Apolobamba y su Implicancia para la Gestión del Área Natural de Manejo
Integrado Nacional Apolobamba. La Paz – Bolivia.
• Colque P. E. (2019). Estimación de Área Glaciar Utilizando Redes Neuronales
Convolucionales U-Net en Imágenes Multiespectrales Sentinel 2 en el Glaciar Ausangate,
2019. Puno – Perú.
• Turpo E.Y. (2017). Google Earth Engine como herramienta de detección de cambios
espaciales e multitemporales: Caso glaciar Quelccaya, Perú. Recuperado de
https://www.researchgate.net/publication/320077083_Google_Earth_Engine_como_herra
mienta_de_deteccion_de_cambios_espaciales_e_multitemporales_Caso_glaciar_Quelcca
ya_Peru
• Leal G.J. (2020). Una Aproximación al Mapeo de la Línea de Nieve Mediante la
Plataforma Google Earth Engine en la zona Glaciológica Sur de los Andes de Chile.
Concepción – Chile.
• Condori I.J., Loza M.G., et al. (2014). Análisis multitemporal de la cobertura boscosa
empleando la metodología de teledetección espacial y SIG en la sub-cuenca del río
Coroico - provincia Caranavi en los años 1989 – 2014. Recuperado de
http://www.scielo.org.bo/pdf/jsars/v9n1/v9n1_a03.pdf#:~:text=El%20an%C3%A1lisis%
20multitemporal%20permite%20detectar%20cambios%20entre%20diferentes,la%20acci
%C3%B3n%20humana%20sobre%20ese%20medio%20%28Chuvieco%201996%29.

21