Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TELEDETECCIÓN
Nº 57 | Diciembre 2020 Revista de la Asociación Española de Teledetección
ASOCIACIÓN
ESPAÑOLA AET
DE TELEDETECCIÓN
Revista de
TELEDETECCIÓN
No.57 | Diciembre 2020 Revista de la Asociación Española de Teledetección
ASOCIACIÓN
ESPAÑOLA AET
DE TELEDETECCIÓN
REVISTA DE TELEDETECCIÓN JUNTA DIRECTIVA AET
http://polipapers.upv.es/index.php/raet http://www.aet.org.es/
Director Presidente
Luis Ángel Ruiz Fernández José Antonio Sobrino Rodríguez
Dpto. de Ingeniería Cartográfica, Geodesia y Fotogrametría. Unidad de Cambio Global - Laboratorio de Procesado de
Universitat Politècnica de València Imágenes. Universitat de València. Parc-Cientific.
Camino de Vera s/n, 46022 – Valencia. C/ Catedrático José Beltrán n°2 – 46980 Paterna (Valencia).
Tel.: 963 877 550 (director.revista@aet.org.es) sobrino@uv.es
Secretario Vicepresidente
Javier Estornell Cremades Evangelina Oriol Pibernat
Dpto. de Ingeniería Cartográfica, Geodesia y Fotogrametría. Jubilada de la Agencia Espacial Europea, París (Francia).
Escuela Politécnica Superior de Gandia evaoriolp@gmail.com
Universitat Politècnica de València
C/ Paranimf, 1, 46730 – Grau de Gandia (Valencia). Secretario
Tel.: 962849324 (jaescre@cgf.upv.es) José Antonio Gómez Sánchez
Plataformas Aéreas - ICTS
Consejo de Redacción Instituto Nacional de Técnica Aeroespacial - INTA
Mª Amparo Gilabert, Universitat de València, España Carretera de Ajalvir, km. 4, 28850 Torrejón de Ardoz (Madrid).
Consuelo Gonzalo, Universidad Politécnica de Madrid, España gomezsj@inta.es
Christian Heipke, Leibniz Universität Hannover, Alemania
Tesorero
Massimo Menenti, Delft University of Technology, Países Bajos
Diana Sánchez Fernández
L. Monika Moskal, University of Washington, EE.UU.
Instituto Murciano de Investigación y Desarrollo Agrario y
Antonio J. Plaza, Universidad de Extremadura, España
Alimentario (IMIDA)
Xavier Pons, Universitat Autònoma de Barcelona, España
C/ Mayor, s/n. 30150 La Alberca. 30150 Murcia (Murcia).
Francisco J. Tapiador, Universidad de Castilla La Mancha, España
tesorero@aet.org.es
Pablo J. Zarco-Tejada, CSIC, España
Vocal
Comité Científico Juan Carlos Jiménez Muñoz
Abel Calle, Universidad de Valladolid, España Unidad de Cambio Global - Laboratorio de Procesado de
Fernando Camacho, Universidad de Valencia, España Imágenes. Universitat de València. Parc-Cientific.
Eduardo De Miguel, INTA - Instituto Nacional de Técnica C/ Catedrático José Beltrán n°2 – 46980 Paterna (Valencia).
Aeroespacial, España jcjm@uv.es
Arnon Karnieli, Ben-Gurion University of the Negev, Israel
Agustín Lobo, Institut de Ciències de la Terra “Jaume Almera”. Vocal
CSIC, España María González de Audícana Amenábar
Luis Morales, Universidad de Chile, Chile Instituto de Innovación y Sostenibilidad de la Cadena
Ismael Moya, LMD-CNRS. Ecole Polytechnique, Francia Agroalimentaria
Françoise Nerry, LSIIT/TRIO. Louis Pasteur University, Francia (IS-FOOD), grupo THERRAE
Albert Olioso, INRA-Avignon, Francia Universidad Pública de Navarra
Jean-Louis Roujean, Meteo-France, Francia Campus Arrosadía s/n, 31006, Pamplona
Alain Royer, Université de Sherbrooke, Canadá maria.audicana@unavarra.es
Jiancheng Shi, University of California, EE.UU.
Wout Verhoef, University of Twente - ITC, Países Bajos Vocal
Raúl Zurita-Milla, University of Twente - ITC, Países Bajos Abel Calle Montes
Grupo de Óptica Atmosférica (GOA)
Universidad de Valladolid
Esta obra se publica bajo una licencia Creative Commons Paseo de Belén 7, 47011 Valladolid
Attribution-NonCommercial-ShareAlike 4.0 International License. Abel@goa.uva.es
Vocal
Luis Ángel Ruiz Fernández
Editorial de la Universitat Politècnica de València Grupo de Cartografía GeoAmbiental y Teledetección (CGAT).
Depósito Legal: V2341-2015 Universitat Politècnica de València.
ISSN: 1133-0953 Camino de Vera s/n - 46022 Valencia
eISSN: 1988-8740 laruiz@cgf.upv.es
Maquetación
Enrique Mateo, Triskelion diseño editorial
Imagen de portada: Cartografía de severidad a partir del RBR sobre imagen Sentinel-2 (Fuente: Vales et al.).
Sumario
ii Consejo de Redacción y Junta Directiva de la AET
v Editorial
ARTÍCULOS DE INVESTIGACIÓN
1 Monitorización de las concentraciones atmosféricas de metano y óxido nitroso a partir del Metop/IASI
García, O., Schneider, M., Ertl, B., Sepúlveda, E., Borger, C., Diekmann, C., Hase, F., Khosrawi, F., Cansado, A., Aullé, M.
25 Estimación de la fenología de la vegetación a partir de imágenes de satélite: el caso de la península ibérica e islas
Baleares (2001-2017)
Caparros-Santiago, J.A., Rodríguez-Galiano, V.F.
37 Evaluación de cuatro algoritmos de clasificación de imágenes satelitales Landsat-8 y Sentinel-2 para la identificación
de cobertura boscosa en paisajes altamente fragmentados en Costa Rica
Ávila-Pérez, I.D., Ortiz-Malavasi, E., Soto-Montoya, C., Vargas-Solano, Y., Aguilar-Arias, H., Miller-Granados, C.
CASOS PRÁCTICOS
51 Análisis espacial y temporal de la temperatura superficial en la microcuenca Apacheta mediante datos térmicos Landsat
Moncada, W., Willems, B.
65 Conectividad estructural entre los Páramos de Guacheneque y Los Cristales, complejo Rabanal-río Bogotá, Colombia
Forero-Gómez, Y.K., Gil-Leguizamón, P.A., Morales-Puentes, M.E.
79 Cartografía de la afección y recuperación vegetal del incendio de Las Peñuelas en Moguer (Huelva) con imágenes
satelitales. Año 2017
Vales, J.J., Pino, I., Granado, L., Prieto, R., Méndez, E., Rodríguez, M., Giménez de Azcárate, F., Ortega, E., Moreira, J.M.
TESIS DOCTORAL
95 Processing and analysis of airborne full-waveform laser scanning data for the characterization of forest structure and
fuel properties
Pablo Crespo-Peremarch
iii
Editorial
Estimados lectores,
Una vez más terminamos el año con un nuevo nú- ecosistemas andinos, se estudia la evolución tempo-
mero regular de la revista, en esta ocasión con cua- ral de la conectividad estructural entre dos páramos
tro artículos de investigación, tres casos prácticos colombianos, aspecto clave para la estabilidad del
y una reseña de tesis doctoral. En los dos primeros hábitat y la movilidad de las especies. En el tercer
se describen y validan metodologías para la moni- caso práctico se analiza la recuperación de la vege-
torización de las concentraciones de metano y de tación afectada por gran un incendio en Huelva en
óxido nitroso en la atmósfera, dos de los más im- 2017, combinando varias fuentes de imágenes y ge-
portantes gases de efecto invernadero, empleando nerando cartografía de severidad en varias fechas. El
para ello datos del sensor IASI a bordo de los sa- número se cierra con la reseña de una tesis doctoral
télites EUMETSAT/Metop, y para la estimación de en la que se ha explorado el uso de datos LiDAR
la columna total de ozono con el Ozone Monitoring full-waveform para caracterizar la estructura forestal,
Instrument (OMI) de la NASA. En el tercer artículo en particular el sotobosque, como elemento decisivo
se analiza e interpreta la dinámica fenológica de la para el cartografiado 3D de las propiedades de com-
vegetación en la península ibérica y Baleares me- bustibilidad de nuestros bosques.
diante series temporales de NDVI obtenidas a partir Además de los números regulares de junio y di-
del producto MOD09Q1, definiendo ciclos fenológi- ciembre, en noviembre salió publicado un número
cos de referencia para la zona. El cuarto trata sobre la especial dedicado al uso y aplicaciones de las mi-
caracterización de bosques altamente fragmentados siones Sentinel del programa Copernicus, disponi-
en Costa Rica, para lo cual se evalúan cuatro algorit- ble en formato digital en la plataforma web de la
mos de clasificación diferentes partiendo de imáge- revista (https://polipapers.upv.es/index.php/raet/
nes Landsat-8 y Sentinel-2. issue/view/1010) y que cuenta con un conjunto de
En los casos prácticos se analiza, por un lado, la artículos de gran interés y actualidad. Dejamos atrás
evolución temporal de la temperatura superficial del un año difícil para todos, que recordaremos siempre
suelo durante los últimos 34 años en un ecosistema pero que no nos impedirá imaginar el futuro con ilu-
altoandino en Perú empleando series térmicas de sión. Desde el equipo editorial, queremos transmi-
imágenes Landsat, registrando un incremento impor- tiros nuestros mejores deseos, salud y prosperidad
tante de esta variable. Por otro lado, también en los para 2021.
Revista de Teledetección es una publicación científico- index.php/raet) se puede acceder a sus contenidos en
técnica de carácter semestral en la que se publican artí- formato .pdf. Revista de Teledetección forma parte de
culos originales de investigación, relacionados con las e-revist@s, una Plataforma Open Access de Revistas
diversas aplicaciones de la Teledetección y con su desa- Científicas Electrónicas españolas y latinoamerica-
rrollo metodológico. En secciones aparte, se presentan nas (http://www.erevistas.csic.es), y posee el Sello de
Casos Prácticos que describen experiencias en las que Calidad FECYT desde 2014.
se utiliza la teledetección para desarrollar proyectos de
análisis y gestión territorial o para desarrollar misiones, 2. Presentación de originales
sensores o segmentos terrestres. Además, se incluyen
recensiones críticas de libros, programas y material A partir de 2014, el envío de originales se realiza a tra-
docente relacionado con métodos o aplicaciones de la vés de la plataforma digital OJS (http://polipapers.upv.
teledetección, así como resúmenes de tesis doctorales. es/index.php/raet/), siguiendo las instrucciones que
aparecen en el margen derecho (Submissions-Author
Revista de Teledetección se publica ininterrumpida-
Guidelines). Es preciso registrarse como autor la pri-
mente desde 1993 y constituye el órgano de expresión
mera vez, o simplemente identificarse y acceder al per-
científica de la Asociación Española de Teledetección,
fil de autor en caso de estar ya registrado.
siendo una publicación de referencia en el ámbito de
los desarrollos y aplicaciones de esta tecnología. Los
artículos originales de investigación son sometidos a 2.1. Artículos científicos
un proceso de evaluación externa y anónima por pares, Los artículos deberán ser obligatoriamente origina-
por parte de miembros especialistas de la comunidad les e inéditos. El trabajo no excederá de 25 páginas
científica nacional e internacional de teledetección, su- (DIN-A4) incluidos resúmenes, figuras, tablas y refe-
pervisado y coordinado por el Consejo de Redacción. rencias. Los trabajos deberán ir precedidos de título
Revista de Teledetección se compromete a comunicar a y resúmenes en español e inglés, finalizando con las
los autores la aceptación o rechazo de los manuscritos palabras clave también en español e inglés. Para fa-
en un plazo de 3 meses. cilitar la edición se recomienda escribir los artículos
utilizando la plantilla Word disponible en el siguiente
1. Indexación enlace: http://polipapers.upv.es/index.php/raet/about/
Revista de Teledetección se encuentra indexada en submissions#onlineSubmissions
Scopus (http://www.scopus.com), Emerging Sources El Consejo de Redacción seleccionará los artículos en
Citation Index, en el Catálogo LATINDEX (https:// función de su calidad y originalidad. Para desarrollar
www.latindex.unam.mx) y DICE (http://epuc.cchs.csic. esta tarea de supervisión, contará con la colaboración
es/dice/), en las bases de datos ISOC e ICYT (Instituto de especialistas de la comunidad científica nacional e
de Estudios Documentales sobre Ciencia y Tecnología, internacional de teledetección quienes, de forma anó-
IEDCYT-CSIC), MIAR (http://miar.ub.edu/es), DOAJ nima, informarán sobre la conveniencia o no de la
y SHERPA/RoMEO. A través del portal de difusión publicación de los artículos evaluados o, en su caso,
electrónica de revistas científicas DIALNET de la sobre las modificaciones que el autor deberá incluir en
Universidad de La Rioja (http://dialnet.unirioja.es), del el trabajo. La maquetación final del artículo se realizará
sitio web de la Asociación Española de Teledetección desde la secretaría de la revista, una vez que se haya
(http://www.aet.org.es/?q=numeros) y de la plata- recibido la versión final del mismo, aprobada por el
forma OJS de la revista (http://polipapers.upv.es/ Consejo de Redacción.
viii
Recibido: 15/03/2020 REVISTA DE TELEDETECCIÓN
Aceptado: 21/11/2020 Asociación Española de Teledetección
(2020) 57, 1-11
ISSN 1133-0953
EISSN 1988-8740
https://doi.org/10.4995/raet.2020.13290
Centro de Investigación Atmosférica de Izaña (CIAI), Agencia Estatal de Meteorología (AEMet), Santa Cruz de Tenerife, España.
1
Instituto para la Meteorología e Investigación del Clima (IMK), Instituto de Tecnología de Karslruhe (KIT), Karlsruhe, Alemania.
2
3
Centro Steinbuch para Computación, Instituto de Tecnología de Karslruhe (KIT), Karlsruhe, Alemania.
4
Servicio de Modelización de la Calidad del Aire, Agencia Estatal de Meteorología (AEMet), Madrid, España.
a
Actualmente en el Grupo de Teledetección Satelital, Instituto Max Planck de Química,Mainz, Alemania.
Resumen: El futuro del sistema Tierra-atmósfera dependerá, en gran medida, de nuestra capacidad para entender
todos los procesos que están conduciendo al calentamiento global, y sus consecuencias climáticas, y, en este
contexto, los gases de efecto invernadero (GEIs) juegan un papel clave como uno de los principales motores del
cambio climático. Con esta idea nace el proyecto de investigación INMENSE (IASI for Surveying Methane and Nitrous
Oxide in the Troposphere), el cual tiene como objetivo mejorar nuestra compresión de los balances atmosféricos
de dos de los más importantes GEIs, el metano (CH4) y el óxido nitroso (N2O). Para ello, el proyecto INMENSE ha
generado nuevas observaciones de concentraciones de CH4 y N2O en la troposfera media/alta a escala global a
partir de las medidas satelitales del sensor IASI (Infrared Atmospheric Sounding Interferometer), que vuela a bordo
de los satélites meteorológicos EUMETSAT/Metop. En este trabajo los productos INMENSE IASI de CH4 y N2O son
presentados, caracterizados y extensamente validados usando una base de datos de referencia multiplataforma
(perfiles verticales de avión, medidas in-situ y remotas desde superficie). Esta completa validación sugiere que
los productos IASI de CH4 y N2O tienen una precisión entre el 1-3% y un error sistemático del 2%, así como que
son consistentes temporal y espacialmente. Por último, las observaciones IASI de CH4 y N2O sobre la península
ibérica han sido comparadas a las simulaciones del modelo de transporte químico MOCAGE, analizando el grado
de acuerdo entre ambas bases de datos.
Palabras clave: metano, óxido nitroso, IASI, INMENSE.
To cite this article: García, O., Schneider, M., Ertl, B., Sepúlveda, E., Borger, C., Diekmann, C., Hase, F., Khosrawi, F., Cansado, A., Aullé, M.
2020. Monitoring of atmospheric methane and nitrous oxide concentrations from Metop/IASI. Revista de Teledetección, 57, 1-11.
https://doi.org/10.4995/raet.2020.13290
*
Corresponding author: ogarciar@aemet.es
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 1
García et al.
Atmospheric Sounding Interferometer), on board the meteorological satellites EUMETSAT/Metop. In this work the
INMENSE IASI CH4 and N2O products are presented, characterized and comprehensively validated by using a multi-
platform reference database (aircraft vertical profiles, ground-based in-situ and remote-sensing observations).
This extensive validation exercise suggests that the IASI CH4 and N2O products shows a precision between 1-3%
and a bias of 2% as well as they are consistent temporally and spatially. Finally, the CH4 and N2O IASI observations
over the Iberian Peninsula have been compared to MOCAGE chemical transport simulations, assessing the degree
of agreement between both datasets.
Key words: methane, nitrous oxide, IASI, INMENSE.
presentando los nuevos productos de CH4 y N2O de las líneas de absorción gaseosa debida a la
IASI generados dentro del proyecto, así como su presión atmosférica observada en los espectros
completa caracterización y validación. Para ello, la de alta resolución medidos por el IASI. Para ello,
sección 2 describe el sensor remoto IASI así como basado en el formalismo de Rodgers (2000), el
los nuevos productos CH4 y N2O obtenidas a partir espectro IASI (y) se relaciona con el estado de
de sus observaciones y su completa caracterización la atmósfera (x) y con parámetros auxiliares (p)
en términos de la sensibilidad vertical y errores a través de una función modelo F, que describe el
estimados. Además, se detallan los datos auxiliares proceso físico de medida, i.e., la interacción de la
empleados para su validación (observaciones de radiación térmica con la atmósfera, tal que:
referencia y simulaciones del modelo de transpor-
y=F(x,p)(1)
te químico MOCAGE). La Sección 3 presenta la
comparativa con las dos bases de datos, mientras El proceso de inversión de x está mal-condicionado,
que la Sección 4 resume los principales resultados ya que existen múltiples estados de la atmósfera
de este trabajo. (x) que producen casi idénticos espectros (y). Para
resolverlo, la solución es condicionada definiendo
2. Metodología una función de coste (Ecuación 2), cuyo mínimo
será el estado de la atmósfera solución:
2.1. Sensor IASI
[y-F(x,p)]TSy-1[y-F(x,p)] + [x-xa]TSa-1[x-xa](2)
El sensor remoto IASI es un espectrómetro de
El primer término representa la diferencia entre el
infrarrojo por transformada de Fourier (FTIR),
espectro medido (y) y el simulado para un estado
desarrollado conjuntamente por EUMETSAT y el
dado de la atmósfera (x), donde Sy es la matriz de
CNES (Centro Nacional de Estudios Espaciales,
covarianza de [y-F(x,p)] que da cuenta de la señal
https://cnes.fr/fr), que mide la radiación tér-
medida que no es capturada correctamente por
mica emitida por la superficie de la Tierra y la
el modelo F. El segundo término es el factor de
atmósfera entre 645-2760 cm-1 de forma continua
regularización, el cual fuerza la solución (x) hacia
con una resolución espectral de 0,5 cm-1 (i.e.,
el estado a priori más probable (xa), donde Sa es la
8461 observaciones espectrales). Escanea la su-
matriz de covarianza a priori que define el tipo y
perficie terrestre en píxeles individuales de 12 km
fuerza de la regularización.
de diámetro en el nadir, cubriendo una superficie
horizontal de aproximadamente 2200 km en cada Basado en estos principios, el proyecto INMENSE
barrido. Este instrumento vuela a bordo de los emplea el procesador IASI desarrollado durante
satélites meteorológicos EUMETSAT/Metop, que el proyecto europeo MUSICA (MUlti-platform
operan en órbita polar síncrona al Sol a una altitud remote Sensing of Isotopologues for investigating
de 817 km, realizando 14 órbitas al día alrededor the Cycle of Atmospheric water, Schneider et al.,
de la Tierra. Esta configuración de medida hace 2016).
que el sensor IASI proporcione observaciones
Este procesador (en lo sucesivo procesador
globales dos veces al día (09:30 y 22:30 hora solar
MUSICA IASI) deriva concentraciones de CH4
local), generando aproximadamente 1,25 millones
y N2O con diferentes isótopos de vapor de agua
de espectros por día.
(junto a HNO3), analizando el espectro térmi-
Actualmente hay tres sensores IASI en órbita en co de emisión medido por el sensor IASI en el
Metop-A (desde 2006), Metop-B (desde 2012) y rango 1190-1140 cm-1 con el algoritmo de inver-
Metop-C (desde 2018), que operan en una órbita sión PROFFIT-nadir (Schneider y Hase, 2011).
coplanaria. Sus respectivos pases se realizan con Particularmente, los perfiles verticales de CH4 y
una diferencia aproximada de 30 minutos, lo que N2O son derivados en escala logarítmica usando
ofrece la oportunidad de combinar las observacio- el método de inversión ad-hoc Tikhonov-Phillips
nes de los tres sensores. (Tikhonov, 1963).
Las interferencias de vapor de agua son muy al-
2.2. Estrategia de inversión del CH4 y N2O tas en la región espectral analizada, como ilustra
Los perfiles de concentraciones de gases atmosfé- la Figura 1. En ella se muestra un ejemplo de un
ricos se pueden derivar analizando la deformación espectro medido por el sensor IASI y el simulado
Figura 1. (a) Ejemplo de espectro medido por el sensor IASI y el simulado por el modelo PROFFIT-nadir para una obser-
vación sobre el océano tropical (≈12°S) en invierno; (b) Cambio espectral en la radiancia medida por el IASI (DR) debido a
cambios en la concentración de CH4 en un 5%, de N2O en un 2% y del H2O en un 100%. Nótese que la escala de ordenadas
es diferente para H2O.
por el modelo PROFFIT-nadir, así como el cam- diferentes isótopos de vapor de agua. Por ello, el
bio espectral en la radiancia medida por el IASI procesador MUSICA IASI emplea un sofisticado
debido a variaciones típicas en las concentracio- método de inversión basado en la aproximación de
nes atmosféricas de CH4 (+5%), de N2O (+2%) Estimación Óptima para derivar las concentracio-
y del H2O (+100%). Como se observa, la huella nes de los diferentes isótopos de vapor de agua y
espectral de las variaciones del H2O es un orden reducir así su influencia (Schneider et al., 2016).
de magnitud mayor que la señal del CH4 y N2O, La región analizada además incluye absorción de
lo que implica que la calidad de las estimaciones HNO3 y de CO2, por lo que ambos gases son inver-
de estos gases estará condicionada a interpretar tidos simultáneamente con el resto de especies. Por
correctamente las interferencias espectrales de los último, la estrategia de inversión también incluye
Figura 2. Ejemplo de la distribución global de CH4 troposférico (a 4,2 km s.n.m., en ppmv) en agosto de 2017 observada
por el sensor IASI. Se han promediado las observaciones individuales del MetopA/IASI y MetopB/IASI para un área lon-
gitud × latitud de 2°x2°.
En este trabajo se ha considerado como fuentes po- Para ello, INMENSE emplea una base de datos
tenciales de error aleatorio el ruido instrumental, el multi-plataforma como referencia de validación
perfil de temperatura atmosférico (2 K hasta 2 km (Figura 4):
s.n.m. y 1 K por encima), la emisividad superficial
1. Perfiles de avión de CH4 y N2O de las cinco
(1%) y la interferencia de los isótopos de H2O
campañas del proyecto HIAPER Pole-to-Pole
(10%), mientras que como fuentes sistemáticas o
Observation (HIPPO, http://hippo.ucar.edu/)
no-Gaussianas se ha considerado los errores en los
realizados entre 2009 y 2011. Los diferentes
parámetros espectroscópicos (2%), el impacto del
vuelos durante las cinco misiones cubrieron
continuo de H2O (10%) y la presencia de nubes y
desde 67°S a 80°N, la mayoría del área sobre el
polvo mineral sobre los píxeles de observación.
océano Pacífico, y desde superficie hasta, apro-
Propagando estas fuentes de error hacia los perfiles ximadamente, 14 km de altitud (~150-300 hPa).
atmosféricos de CH4 y N2O invertidos, conside-
2. Observaciones continuas a nivel de superficie
rando para ello el formalismo de Rodgers (2000),
de CH4 y N2O realizadas entre 2007 y 2017
se obtiene que el perfil atmosférico de temperatura
en observatorios de alta montaña situados en
es la fuente que más influye en la precisión de los
latitudes subtropicales y medias: Observatorio
productos IASI (entre 0-3% para altitudes meno-
Atmosférico de Izaña (28,3°N, 16,5°W, 2,3 km
res de 20 km), mientras la contribución del resto
s.n.m) y Junfraujoch (46,5°N, 8,0°E, 3,6 km
de fuentes consideradas es menor al 1%. Respecto
s.n.m.). Estas medidas se realizan en el contexto
a los errores sistemáticos, la espectroscopía es la
del programa GAW/WMO (Global Atmospheric
fuente dominante proporcionando un error entre el
Watch/World Meteorological Organization,
±2%, aunque la presencia de nubes (especialmente
https://community.wmo.int/activity-areas/gaw).
de cirrus) puede ocasionar errores de casi el 5% en
las concentraciones de CH4 y N2O troposféricas. 3. Perfiles verticales de CH4 y N2O derivados de
Para más detalles sobre el análisis de errores con- medidas solares realizadas con espectróme-
sultar a García et al. (2018). tros de infrarrojo por transformada de Fourier
(FTIR) entre 2007 y 2017 en el contexto de
2.4. Datos auxiliares la red NDACC (Network for the Detection
2.4.1. Observaciones de referencia of Atmospheric Composition Change,
http://www.ndaccdemo.org/) en: la estación sub-
Para usar con total confianza los nuevos datos
tropical del Observatorio Atmosférico de Izaña
IASI es necesario documentar su precisión y
(28,3°N, 16,5°W, 2,3 km s.n.m), la estación de
consistencia tanto temporal como espacialmente.
Figura 4. Bases de datos y estaciones empleadas para la validación de los productos IASI CH4 y N2O. Figura adoptada de
García et al. (2018).
latitudes medidas de Karlsruhe (49,1°N, 8,9°E, o MOPITT) (Teyssèdre et al., 2007; Ricaud et al.,
0,1 km s.n.m) y la estación polar de Kiruna 2009; Naik et al., 2013; Ricaud et al., 2014). En
(67,8°N, 20,4°E, 0,4 km s.n.m). general, estos estudios muestran que existe un
buen acuerdo entre las estimaciones MOCAGE
2.4.2. Modelo MOCAGE y el resto de bases de datos, atribuyendo las ma-
yores discrepancias a errores en la simulación de
Las estimaciones de modelos de transporte quí-
procesos dinámicos regionales y/o hemisféricos.
mico son herramientas muy útiles para realizar
tanto validaciones de las observaciones sateli- En este trabajo se emplea la configuración
tales, como para analizar hasta qué punto estas MOCAGE implementada en AEMet. Esta con-
observaciones pueden capturar las emisiones figuración cuenta con una estructura vertical de
superficiales de GEIs, y otros gases traza, y su 47 niveles híbridos que se extienden desde la
transporte en la atmósfera. Por ello, INMENSE superficie hasta 0,1 hPa (~60 km) y emplea el es-
integra las observaciones IASI con las simulacio- quema químico RACMOBUS, que comprende 119
nes del modelo de transporte químico MOCAGE especies y 372 reacciones y fotólisis (Lefèvre et al.,
(Modélisation de la Chimie Atmosphérique 1994, Stockwell et al., 1997). Las emisiones de los
Grande Echelle, Josee et al., 2004). MOCAGE componentes químicos se estiman únicamente en
es un modelo global tridimensional de transporte superficie, empleando para ello el inventario de emi-
y química atmosférica, que proporciona simula- siones global del IPCC/EMEP con una resolución
ciones numéricas de las interacciones entre los de 50 km y con el inventario de TNO_MACC-III
procesos dinámicos, físicos y químicos en la tro- para la zona continental europea con año base
posfera y la estratosfera, tanto para gases como 2011 y con una resolución horizontal aproximada
para aerosoles. Este modelo es ampliamente de 7 km. Para una descripción detallada sobre la
utilizado, tanto a nivel operativo como de inves- configuración MOCAGE implementada en AEMet
tigación, especialmente en las simulaciones de consultar www.aemet.es/es/eltiempo/prediccion/
concentraciones de gases traza y material parti- calidad_del_aire/ayuda. Nótese que los productos
culado asociados a la calidad del aire (Teyssèdre MOCAGE de CH4 and N2O empleados aquí no
et al., 2007; Meteo-France et al., 2017; Brocchi son operativamente distribuidos por AEMet, sino
et al. 2018). No obstante, existen también nu- que se han generado ex profeso para el proyecto
merosos ejemplos en la literatura del uso de INMENSE.
MOCAGE para analizar las emisiones y transpor-
te en la atmósfera de las concentraciones de CH4 3. Resultados y discusión
y N2O, comparando con otros modelos químicos
de transporte (p.e., SLIMCAT, CNRMAOCCM 3.1. Comparación con observaciones de
o LMDz-ORINCA), así como observaciones de referencia
sensores a bordo de plataformas espaciales (p.e.,
FTIR IASI, radar TRMM, radiómetro ODIN, La Tabla 1 resume la comparación entre la base
FTIR SCIAMACHY, FTIR TANSO, FTIR AIRS de datos de referencia y los productos de IASI
Tabla 1. Resumen de la comparativa entre los productos MUSICA IASI y las bases de datos de referencia (IASI-Referencia):
MD es la media de las diferencias relativas e IP68 es la semi-distancia entre los percentiles 84,1th y 15,9th de las diferencias
relativas. Para cada comparativa se muestra la altitud y el periodo de comparación.
Referencia Localización, Periodo Altitud [km s.n.m.] N2O MD; IP68 [%] CH4 MD; IP68 [%]
HIPPO 67°S-80°N, 2009-2011 4,2 +2,0; 1,7 -2,0; 2,0
9,8 -0,5; 2,5 +1,5; 2,0
GAW Izaña, 2007-2016 2,3 -0,4; 1,3 -4,9; 1,4
Junfraujoch, 2007-2013 3,8 +6,9; 2,1 -2,9; 2,7
NDACC Izaña, 2007-2017 4,2 +2,9; 1,3 -5,8; 1,6
FTIR 12,0 -0,5; 1,3 +2,8; 1,3
Karlsruhe, 2010-2017 4,2 +5,1; 1,5 +0,1; 1,9
10,9 +1,5; 1,5 +5,1; 1,5
Kiruna, 2007-2016 4,2 +7,3; 1,9 +2,7; 2,3
9,8 +1,8; 1,5 +2,3; 1,4
de CH4 y N2O. La comparativa con los perfiles ~2% (García et al., 2016). Asimismo, se encuentra
verticales HIPPO sugiere una precisión y un error una inconsistencia entre las observaciones de CH4
sistemático del 2 %, valores que están en buen a bajas y altas latitudes de hasta el 5%, lo cual está
acuerdo con la caracterización teórica presentada en buen acuerdo con lo observado con la compa-
en la Sección 2.3. La limitada sensibilidad vertical rativa HIPPO (García et al., 2018). García et al.
del IASI, la cual presenta una marcada dependen- (2018) también mostró, realizando un análisis
cia latitudinal asociada al contraste térmico de en diferentes escalas temporales, que los datos
las capas bajas de la atmósfera y la altura de la MUSICA IASI pueden detectar las variaciones
tropopausa, es el principal factor que condiciona día-a-día (solamente en la UTLS), ciclos estacio-
la comparabilidad y precisión de los nuevos pro- nales y evolución a largo plazo (en la UTLS y para
ductos IASI. Asimismo, debe tenerse en cuenta el CH4 también en la troposfera libre). Se confirma
la diferente huella del CH4 y N2O en el espectro así la capacidad del nuevo producto IASI CH4 de
de emisión medido por el IASI y la variabilidad diferenciar las señales troposféricas de la UTLS,
espacio-temporal de sus concentraciones atmos- especialmente, a bajas latitudes, como se docu-
féricas. En particular, la cobertura geográfica de mentó en la Sección 2.3., mientras que para el N2O
las cinco misiones HIPPO nos permite analizar las diferentes comparaciones confirman que la
si los nuevos productos IASI capturan adecua- sensibilidad está limitada a la región de la UTLS.
damente las variaciones latitudinales. Se observa
que mientras los gradientes troposféricos del N2O 3.2. Comparación con MOCAGE sobre la
son muy débiles (menores 0,5%) y no pueden ser
península ibérica
detectados, las variaciones de CH4 son mucho
más intensas (diferencias mayores del 5%). Esta Las Figuras 5 y 6 resumen la comparativa de las
diferencia es más alta que la precisión obtenida observaciones IASI y las correspondientes simu-
para el producto de CH4, especialmente en las laciones MOCAGE sobre la península ibérica,
zonas tropicales y subtropicales, donde la sensi- mostrando la distribución espacial de las diferen-
bilidad vertical del IASI es mayor, por lo que los cias medias (IASI-MOCAGE) y el coeficiente
datos MUSICA IASI pueden cualitativamente de correlación de Pearson entre ambas bases de
capturar los gradientes de CH4 entre bajas y altas datos para las concentraciones troposféricas y
latitudes y entre el hemisferio Sur y el hemisferio en la UTLS del CH4 y N2O. Esta comparación
Norte. No obstante, como apunta la estimación ha sido realizada promediando diariamente las
teórica de errores, la precisión de los productos observaciones individuales del Metop-A/IASI y
IASI mejoraría en la medida que se reduzcan las Metop-B/IASI en áreas de 0,5°x0,5°, mientras que
incertidumbres en la caracterización del perfil de las simulaciones diarias MOCAGE, obtenidas con
temperatura atmosférica. Respecto a los errores la configuración de más alta resolución implemen-
sistemáticos, el valor encontrado en torno al 2% tada en AEMet (0,1°×0,1°), se promediaron en las
se puede explicar por incertidumbres en los pará- mismas áreas de 0,5°×0,5°.
metros espectroscópicos (base de datos HITRAN
Consistentemente para ambos gases, las diferen-
2016), empleados para la simulación de las líneas
cias sistemáticas muestran una dependencia con
de absorción del CH4 y N2O presentes en los es-
el tipo de superficie sobre el que se realizan las
pectros de emisión medidos por el sensor IASI, tal
observaciones IASI, observando peor acuerdo
y como muestra la estimación teórica de errores
sobre los píxeles de tierra que sobre mar. Este
presentada en la Sección 2.3.
patrón podría sugerir problemas en el tratamiento
Las comparaciones con los datos de referencia de la emisividad superficial en la inversión de
NDACC FTIR y GAW en un periodo de 10 años las observaciones IASI, la cual presenta menor
confirman la precisión obtenida con la compa- incertidumbre para píxeles oceánicos (August
ración HIPPO, así como la consistencia a largo et al., 2012) o la influencia del perfil vertical de
plazo de los productos MUSICA IASI. En el caso la temperatura atmosférica, el cual presenta mayor
de los productos NDACC FTIR se encuentra un contraste en las zonas de tierra. También debería
error sistemático mayor que con el resto de téc- tenerse en cuenta la posible subestimación de los
nicas de referencia, debido a que estos productos inventarios de emisiones consideradas en el mode-
también presentan su propio error sistemático de lo MOCAGE (con base en el año 2011).
Figure 5. Distribución de la diferencia media (IASI-MOCAGE, en ppmv) y del coeficiente de correlación de Pearson entre
las observaciones IASI y las simulaciones MOCAGE para el CH4 troposférico y en la región de la tropopausa (a 4,2 km y
10,9 km s.n.m., respectivamente) sobre la península ibérica.
Los mapas de correlación evidencian que existe errores sistemáticos y correlaciones más altas),
un acuerdo débil en la troposfera para ambos lo que podría indicar que reproducen de manera
gases, aunque el CH4 muestra valores de corre- similar la dinámica estacional de la altura de la
lación ligeramente más altos que el N2O, lo cual tropopausa, con máximos en la primavera/vera-
sería esperable de la mayor sensibilidad vertical no y mínimos en invierno. Este resultado está
observada para este gas. Respecto a la UTLS, las de acuerdo con la caracterización teórica de los
observaciones IASI y las simulaciones MOCAGE productos IASI y con validación con las observa-
del CH4 y N2O muestran mejor acuerdo (menores ciones de referencia independientes.
Figure 6. Ídem a Figura 5, pero para el N2O. Nótese que las unidades en las diferencias medias son ppbv.
La zona analizada de tan solo 12° en latitud señales de fuentes/sumideros de CH4 y N2O que
no permite apreciar dependencia latitudinal en pueden ser capturadas por las observaciones
los errores medios ni en la correlación, pero si IASI, así como su transporte en la atmósfera. No
cabe destacar que especialmente el producto de obstante, los nuevos productos IASI parecen cap-
CH4 muestra menores errores (y valores de co- tar similarmente a las simulaciones MOCAGE
rrelación ligeramente más altos) sobre océano a la dinámica de la alta troposfera, lo cual está de
latitudes más bajas. acuerdo con la validación experimental realizada
con observaciones independientes de referencia.
La comparativa IASI-MOCAGE sugiere que am-
bos sistemas podrían capturar la dinámica de la
alta troposfera de forma coherente, pero eviden- Agradecimientos
cia claramente que no son comparables en la baja
Este trabajo se ha beneficiado de los fondos reci-
troposfera. Asimismo, pone de manifiesto que
bidos del ERC (European Research Council) para
serían necesarios refinamientos en las estrategias
el proyecto MUSICA (FP7/(2007-2013)/ERC
de inversión IASI (mejorar la caracterización
n◦256961), del Deutsche Forschungsgemeinschaft
de la emisividad superficial o la temperatura
para el proyecto MOTIV (Geschäftszeichen
atmosférica) y en las estimaciones MOCAGE
SCHN1126/21), del Ministerio de Economía y
(incluyendo, por ejemplo, actualizaciones de los
Competitividad de España a través de los pro-
inventarios de emisiones) para reducir las discre-
yectos NOVIA (CGL2012-37505) e INMENSE
pancias encontradas.
(CGL2016-80688P), del Ministerio de Educación,
Cultura y Deporte a través del programa “José
4. Resumen y conclusiones Castillejo” (CAS14/00282), y de EUMETSAT
para el proyecto VALIASI. Además, nos gustaría
Este trabajo explora el potencial del sen-
agradecer a la red NDACC, al programa de GAW/
sor remoto IASI, a bordo de los satélites
WMO, así como a la NSF (National Science
polares EUMETSAT/Metop, para proporcionar
Foundation) y a la NOAA (National Oceanic and
distribuciones globales de las concentraciones
Atmospheric Administration) por su soporte en la
atmosféricas de dos de los más importantes gases
adquisición de las medidas FTIR, in-situ y campa-
de efecto invernadero, el CH4 y el N2O, a través
ñas HIPPO, respectivamente.
del proyecto de investigación INMENSE.
La completa caracterización teórica, así como Referencias
la extensa validación presentada a través de la
comparativa con una base de datos de referencia August, T., Klaes, D., Schlüssel, P., Hultberg, T.,
multi-plataforma (perfiles in-situ de avión, me- Crapeau, M., Arriaga, A., O’Carroll, A., Coppens,
D., Munro, R., Calbet, X. 2012. IASI on Metop-A:
didas in-situ y de FTIR en superficie), sugiere
Operational Level 2 retrievals after five years
que los productos IASI de CH4 y N2O tienen una in orbit, Journal of Quantitative Spectroscopy
precisión entre el 1-3 % y un error sistemático del and Radiative Transfer, 113, 1340-1371.
2 %. Estos valores son suficientes para capturar https://doi.org/10.1016/j.jqsrt.2012.02.028
los gradientes latitudinales del CH4 troposférico,
Brocchi, V., Krysztofiak, G., Catoire, V., Guth, J.,
así como su evolución anual, pero insuficientes Marécal, V., Zbinden, R., El Amraoui, L., Dulac,
para la débil variación latitudinal y estacional F., Ricaud, P. 2018. Intercontinental transport of
del N2O. Para este GEI la sensibilidad del IASI biomass burning pollutants over the Mediterranean
se limita a la región de la alta troposfera/baja Basin during the summer 2014 ChArMEx-GLAM
estratosfera. airborne campaign, Atmospheric Chemistry and
Physics, 18, 6887-6906. https://doi.org/10.5194/
La comparativa con las simulaciones del modelo acp-18-6887-2018
de transporte químico MOCAGE ha evidenciado
que las estimaciones de las concentraciones de Crevoisier, C., Nobileau, D., Fiore, A.M., Armante,
R., Chédin, A., Scott, N.A. 2009. Tropospheric
CH4 y N2O de ambas bases de datos no son com-
methane in the tropics – first year from IASI
parables en la baja troposfera. Por tanto, serían hyperspectral infrared observations, Atmospheric
necesarias mejoras significativas para investigar, Chemistry and Physics, 9, 6337-6350.
a través de las simulaciones MOCAGE, el tipo https://doi.org/10.5194/acp-9-6337-2009
García, O.E., Sepúlveda, E., Schneider, M., Hase, F., Ricaud, P.,Attié, J.L.,Teyssèdre, H., ElAmraoui, L., Peuch,
August, T., Blumenstock, T., Kühl, S., Munro, R., V.H., Matricardi, M., Schluessel, P. 2009. Equatorial
Gómez-Peláez, Á.J., Hultberg, T., Redondas, A., total column of nitrous oxide as measured by IASI
Barthlott, S., Wiegele, A., González, Y., Sanromá, on MetOp-A: implications for transport processes,
E. 2016. Consistency and quality assessment of Atmospheric Chemistry and Physics, 9, 3947-3956.
the Metop-A/IASI and Metop-B/IASI operational https://doi.org/10.5194/acp-9-3947-2009.
trace gas products (O3, CO, N2O, CH4, and CO2)
Ricaud, P., Sič, B., El Amraoui, L., Attié, J.L.,
in the subtropical North Atlantic, Atmospheric
Zbinden, R., Huszar, P., Szopa, S., Parmentier,
Measurement Techniques, 9, 2315-2333. https://
J., Jaidan, N., Michou, M., Abida, R., Carminati,
doi.org/10.5194/amt-9-2315-2016
F., Hauglustaine, D., August, T., Warner, J.,
García, O.E., Schneider, M., Ertl, B., Sepúlveda, E., Imasu, R., Saitoh, N., Peuch, V.H. 2014. Impact
Borger, C., Diekmann, C., Wiegele, A., Hase, of the Asian monsoon anticyclone on the
F., Barthlott, S., Blumenstock, T., Raffalski, U., variability of mid-to-upper tropospheric methane
Gómez-Peláez, A., Steinbacher, M., Ries, L., de above the Mediterranean Basin, Atmospheric
Frutos, A.M. 2018. The MUSICA IASI CH4 and Chemistry and Physics, 14, 11427-11446,
N2O products and their comparison to HIPPO, https://doi.org/10.5194/acp-14-11427-2014
GAW and NDACC FTIR references, Atmospheric
Rodgers, C., 2000. Inverse Methods for
Measurement Techniques, 11, 4171-4215.
Atmospheric Sounding: Theory and Praxis,
https://doi.org/10.5194/amt-11-4171-2018
Singapore, World Scientific Publishing Co.
IPCC. 2013. Climate Change 2013: The Physical https://doi.org/10.1142/3171
Science Basis. Contribution of Working
Schneider, M., Hase, F. 2011. Optimal estimation
Group I to the Fifth Assessment Report of the
of tropospheric H2O and dD with IASI/METOP,
Intergovernmental Panel on Climate Change
Atmospheric Chemistry and Physics, 11, 11207-
[Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor,
11220. https://doi.org/10.5194/acp-11-11207-2011
S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex
and P.M. Midgley (eds.)]. Cambridge University Schneider, M., Wiegele, A., Barthlott, S., González,
Press, Cambridge, United Kingdom and New York, Y., Christner, E., Dyroff, C., García, O.E., Hase,
NY, USA, 1535 pp. F., Blumenstock, T., Sepúlveda, E., Mengistu
Tsidu, G., Takele Kenea, S., Rodríguez, S., Andrey,
Josse, B., Simon P., Peuch, V.H. 2004. Rn-222 global
J. 2016. Accomplishments of the MUSICA
simulations with the multiscale CTM MOCAGE,
project to provide accurate, long-term, global
Tellus, 56B, 339-356. https://doi.org/10.1111/
and high-resolution observations of tropospheric
j.1600-0889.2004.00112.x
{H2O, δD} pairs – a review, Atmospheric
Lefèvre, F., Brasseur, G.P., Folkins, I., Smith, A.K., Measurement Techniques, 9, 2845-2875.
Simon, P. 1994. Chemistry of the 1991-1992 https://doi.org/10.5194/amt-9-2845-2016
stratospheric winter: three-dimensional model
Stockwell, W.R., Kirchner, F., Kuhn, M., Seefeld,
simulations, Journal Geophysics Research, 99(D4),
S. 1997. A new mechanism for regional
8183-8195. https://doi.org/10.1029/93JD03476
atmospheric chemistry modelling, Journal
Meteo-France and all CAMS_50 modelling teams. Geophysics Research, 102, 25847-25879.
2017. Regional Production. Description of the https://doi.org/10.1029/97JD00849
operational models and of the ENSEMBLE system -
Teyssèdre, H., Michou, M., Clark, H.L., Josse,
October 2016, Copernicus Atmosphere Monitoring
B., Karcher, F., Olivié, D., Peuch, V.H., Saint-
Service, disponible en https://atmosphere.
Martin, D., Cariolle, D., Attié, J.L., Nédélec,
copernicus.eu/sites/default/files/2018-02/
P., Ricaud, P., Thouret, V., van der A, R.J.,
CAMS50_factsheet_201610_v2.pdf.
Volz-Thomas, A., Chéroux, F. 2007. A new
Naik, V., Voulgarakis, A., Fiore, A.M., Horowitz, tropospheric and stratospheric Chemistry and
L.W., Lamarque, J.F., Lin, M., … , Zeng, G. 2013. Transport Model MOCAGE-Climat for multi-
Preindustrial to present-day changes in tropospheric year studies: evaluation of the present-day
hydroxyl radical and methane lifetime from the climatology and sensitivity to surface processes,
Atmospheric Chemistry and Climate Model Atmospheric Chemistry and Physics, 7, 5815-5860.
Intercomparison Project (ACCMIP), Atmospheric https://doi.org/10.5194/acp-7-5815-2007
Chemistry and Physics, 13, 5277-5298. https://doi.
Tikhonov, A.: On the solution of incorrectly stated
org/10.5194/acp-13-5277-2013
problems and a method of regularization, Dokl.
Acad. Nauk SSSR, 151, 501-504, 1963.
Abstract: Total ozone column (TOC) measurements through the Ozone Monitoring Instrument (OMI/NASA EOS-
Aura) are compared with ground-based observations made using Dobson and SAOZ instruments for the period
2004–2019 and 2008–02/2020, respectively. The OMI data were inverted using the Differential Optical Absorption
Spectroscopy algorithm (overpass OMI-DOAS). The four ground-based sites used for the analysis are located in
subpolar and subtropical latitudes spanning from 34°S to 54°S in the Southern Hemisphere, in the Argentine cities
of Buenos Aires (34.58°S, 58.36°W; 25 m a.s.l.), Comodoro Rivadavia (45.86°S, 67.50°W; 46 m a.s.l.), Río Gallegos
(51.60°S, 69.30°W; 72 m a.s.l.) and Ushuaia (54.80°S, 68.30°W; 14 m a.s.l.). The linear regression analyzes showed
correlation values greater than 0.90 for all sites. The OMI measurements revealed an overestimation of less than
4 % with respect to the Dobson instruments, while the comparison with the SAOZ instrument presented a very low
underestimation of less than 1 %.
Key words: total ozone column, OMI, Dobson, SAOZ, Argentina.
To cite this article: Orte, P.F., Luccini, E., Wolfram, E., Nollas, F., Pallotta, J., D'Elia, R., Carbajal, G., Mbatha, N., Hlongwane, N. 2020.
Comparison of OMI-DOAS total ozone column with ground-based measurements in Argentina. Revista de Teledetección, 57, 13-23.
https://doi.org/10.4995/raet.2020.13673
*
Corresponding author: pfacundo.orte@gmail.com
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 13
Orte et al.
Table 1. Ground-based TOC measurement sites. Location, type of instrument, serial number and operating period of each
instrument.
Geographical
Site Location; altitude Instrument SN Measurement period
Buenos Aires 34.6°S, 58.4°W; 25 m. asl. Dobson #097 1966 – 1992 / 1993 – 2014
#099 1992 – 1993
#070 2014 – 2019
Comodoro Rivadavia 45.9°S, 67.5°W; 46 m. asl. Dobson #133 09/1995 – 02/2019
Río Gallegos 51.6°S, 69.3°W; 72 m. asl. SAOZ #26 03/2008 – 02/2020
Ushuaia 54.8°S, 68.3°W; 14 m. asl. Dobson #131 09/1994 – 12/2018
Figure 2. Time series of OMI (OMI - DOAS) (red) and ground-based (blue) TOC measurements in Argentina.
The distance between ground-based and satellite Where N is the total number of compared pairs,
measurement pairs (distance between the site while, TOCOMIi , TOCgroundi and TOC ground are the
locations and the OMI Cross Track Position) are TOC of each satellite and ground-based mea-
within a maximum radius of 150 km. The mean surement and the average of ground-based TOCs,
and maximum median distances are presented respectively.
at the Comodoro Rivadavia site, with ~27 km
In addition, the mean bias error (MBE) was ana-
and ~18 km, respectively. This indicates that
lyzed using the following expression:
the vast majority of data is much closer than the
maximum radius of 150 km and that half of the N TOC OMI TOC ground
100 i i
OMI – ground-based measurement pairs is within MBE
N i 1 TOC ground
a distance closer than 18 km. i
The correspondence between the OMI and The uncertainties of the MBE are obtained from
ground-based databases was evaluated by means the standard deviation of the relative difference.
of a linear regression analysis. The correlation
coefficient (R) and the relative root mean squared 3. Results and discussion
error (rRMSE) were analyzed. The rRMSE was
calculated by means of the following expression: Figure 3 shows the scatterplot between OMI and
1 N
ground-based TOC observations for the whole
TOC OMI TOC ground 2
N i 1 i i RMSE period at each site and the corresponding linear
rRMSE x 100
TOC ground TOC ground regression analyses. The comparison between
OMI and SAOZ at sunrise and sunset is presented
Figure 3. TOC data measured by the OMI satellite instrument as a function of ground-based measurements for the 4 sites
analyzed and linear regression line of the comparisons. The color bar indicates the normalized dot density.
Table 2. Parameters of the OMI – ground-based linear regression. The rows that refer to all OMI –SAOZ intercomparisons
in Río Gallegos are slightly shaded to differentiate from OMI – Dobson ones. N: number of pairs compared. S: slope of the
linear regression; I: Intercept; R / R2: correlation coefficient / determination coefficient. rRMSE: relative root mean squared
error; MBE: mean bias error; SE: Standard error of the slope and the intercept.
1
Figure 4. Individual TOC OMI measurements as a function of SAOZ-sunrise and SAOZ-sunset for Río Gallegos. The color
bar indicates the normalized dot density.
Table 3. MBE (%) between OMI-DOAS and ground-based TOC for each season. The error bars depict the standard devia-
tion of the mean relative difference.
subpolar latitudes (Kergelen, 49°S, 70°E) between mean bias of SAOZ compared to Dobson which is
OMI-DOAS and SAOZ also obtained MBE values consistent with the results obtained here.
close to zero but positive (0.6±4.2%). Negative
MBE values were reported by Antón et al. (2009) 3.3. Seasonal comparison
in comparisons performed in the Iberian Peninsula
with Brewer instruments, although with greater bi- The SZA dependency of a nadir-viewing satellite
ases than the present in Río Gallegos. Kuttippurat instrument over the covered ground swath and
et al. (2018) reported an overestimation in the the larger uncertainties that the radiative transfer
OMI – SAOZ comparison for a particular con- calculations present at higher SZA induce seasonal
dition, within the polar vortex, but for values and latitudinal biases in the satellite TOC retriev-
inferred with the OMI-TOMS algorithm. als (Kuttippurath et al. 2018). Thus, the seasonal
dependence of MBE between the OMI and ground-
The rRMSE of the OMI – SAOZ daily average
based instruments was also analyzed (Figure 5).
TOC comparison is 3.82%. These values are high-
The seasonal MBE for OMI – Dobson intercom-
er than those obtained by Antón et al. (2009), who
parisons present negative values for all the sites.
reported a 3 % of rRMSE between OMI-DOAS
Buenos Aires and Ushuaia show a similar behavior
and Brewer. Vaz Peres et al. (2017) reported
accounting with the lowest MBE values during
rRMSE of less than 2 % for a daily average TOC
summer and spring and increasing during fall and
comparison between OMI-TOMS and Brewer.
winter, while Comodoro Rivadavia shows a rath-
The correspondence between individual OMI er constant value along all seasons. In agreement
measurements was also analyzed against individ- with the behavior for the whole dataset analysis,
ual SAOZ measurements at sunrise and sunset the MBE increases for higher latitudes, except in
(SAOZ-SR and SAOZ-SS hereinafter) (Figure 4). summer, where the MBE in Comodoro Rivadavia
Both comparisons present good correspondence is higher than in Ushuaia, although these values are
although OMI – SAOZ-SS shows a better agree- within the uncertainty of the MBE.
ment. Table 2 summarizes the parameters obtained
On the other hand, the MBE for daily average
from the linear regression analysis, where a higher
OMI – SAOZ comparison present a negative bias
correlation and a lower rRMSE are observed
for all seasons. The minimum and maximum are
for OMI-SAOZ-SS respect to OMI-SAOZ-SR.
found in summer and winter, respectively.
This slightly better correspondence for the OMI-
SAOZ-SS comparison is expected, since the OMI Given that MBE values are smaller than 4 % at the
instrument takes measurements closer in time to four stations, and all of them overlap and include
sunset than to sunrise (mean time difference of the zero value at two standard deviations level,
~3 hours and ~8 hours, respectively). it can be considered that OMI-DOAS TOC re-
trievals are statistically reliable in these Southern
The comparisons between OMI and SAOZ TOC
Hemisphere low-altitude regions.
(daily average, sunrise and sunset) show a slight
underestimation of OMI with MBE close to
-1 %, while those made with respect to Dobson 4. Conclusions
instruments showed overestimation. Despite this
Total ozone column retrievals from the OMI sat-
opposite behavior, the differences are small enough
ellite instrument with the DOAS technique were
to be within the uncertainties of each instrument. In
compared with ground-based measurements at
addition, Hendrick et al. (2011) reported a negative
three Dobson sites and one SAOZ site in Argentina, Balis, D., Kroon, M., Koukouli, M.E., Brinksma,
enhancing the knowledge of satellite measure- E.J., Labow, G., Veefkind, J.P., McPeters, R.D.
ments performance in the Southern Hemisphere, 2007. Validation of Ozone Monitoring Instrument
total ozone column measurements using Brewer
where scarce monitoring stations exist.
and Dobson spectrophotometer ground-based
Within a close agreement on average, OMI TOC observations, J. Geophys. Res., 112, D24S46,
measurements are slightly higher at Dobson sites, https://doi.org/10.1029/2007JD008796
from 0.6% at Buenos Aires up to 3.9 % at Ushuaia. Banerjee, A., Fyfe, J.C., Polvani, L.M., Waugh, D.,
The daily average OMI TOC presents a slight Chang, K.L. 2020. A pause in Southern Hemisphere
underestimation (-0.9 %) with respect to SAOZ circulation trends due to the Montreal Protocol.
TOC measurements. These values are in agree- Nature, 579, 544-548. https://doi.org/10.1038/
ment with the literature. The comparison between s41586-020-2120-4
individual OMI and SAOZ measurements made Basher, R.E. 1982. Ozone absorption coefficients’ Role
at sunrise and sunset presents higher differences in Dobson instrument ozone measurement accuracy,
than the comparison with daily average SAOZ Geophys. Res. Lett., 9, 11. https://doi.org/10.1029/
measurements, as expected. rRMSE of the OMI GL009i011p01235
– ground-based TOC comparison at all sites pres- Basher R.E. 1985. Review of the Dobson
ents values smaller than 5 %. Spectrophotometer and its Accuracy. In: Zerefos
The seasonal comparison between OMI and C.S., Ghazi A. (eds) Atmospheric Ozone. Springer,
ground-based measurements shows larger MBE Dordrecht. https://doi.org/10.1007/978-94-009-5313-
0_78
during fall and winter (higher SZA), except at
Comodoro Rivadavia where MBE shows a strong Bhartia, P.K., Wellemeyer, C. 2002. TOMS-V8 total
seasonal stability. O3 algorithm, OMI Algorithm Theoretical Basis
Document, vol. II, OMI Ozone Products, pp. 15-31,
Even though these four stations are placed in edited by P.K. Bhartia,, NASA Goddard Space Flight
subpolar and subtropical latitudes, the agreement Cent., Greenbelt, Md.
between OMI TOC and ground-based measure-
Bian, L., Zhong, L., Zhang, D., Zheng, X., Lu, L. 2012.
ments for the larger and the smaller TOC values, Validation of total ozone data between satellite and
some of them over 430 DU and also below the ground-based measurements at Zhongshan and
ozone hole threshold of 220 DU, particularly at Syowa stations in Antarctica. Adv. Polar Sci., 23, 196-
Ushuaia and Río Gallegos, shows that OMI TOC 203. https://doi.org/10.3724/SP.J.1085.2012.00196
retrievals are reliable for both the crucial monitor-
Brewer, A.W. 1949. Evidence for a world circulation
ing of the Antarctic ozone hole overpasses along
provided by the measurements of helium and water
South American continental areas, as well as for vapor distribution in the stratosphere, Q.J. Roy.
very high TOC content which are within the larg- Meteor. Soc., 75, 351-363. https://doi.org/10.1002/
est worldwide. qj.49707532603
Cañellas, J. 2017. Control de calidad de la serie de Ozono
Acknowledgments Total de Buenos Aires, Universidad de Buenos Aires,
https://doi.org/10.13140/RG.2.2.31527.29601
The authors would like to thank to OAPA,
LATMOS / CNRS and SMN for the maintenance Carbajal Benítez, G., Cupeiro, M., Sánchez, R.,
of the ground-based ozone observation instru- Agüero, J.D., Barlasina, M.E., Nollas, F. 2014.
Caracterización de la Columna Total de Ozono
ments, WOUDC for providing ground-based data,
medido con el Espectrofotómetro Dobson en
and NASA for providing OMI data.
cuatro estaciones en la Argentina., Actas trabajos
completos E-ICES 9, ISBN 978-987-1323-36-4- 1a
References ed. - Ciudad Autónoma de Buenos Aires: Comisión
Nacional de Energía Atómica - CNEA, 2014. 250 p.
Antón, M., López, M, Vilaplana, J.M., Kroon, M.,
McPeters, R., Bañón, M., Serrano, A. 2009. Chubachi, S. 1984. Preliminary result of
Validation of OMI-TOMS and OMI-DOAS total ozone observations at Syowa Station from
ozone column using five Brewer spectroradiometers February, 1982 to January, 1983, Mem.
at the Iberian Peninsula. J. Geophys. Res., 114, Natl. Inst. Polar Res. Jpn. Spec., 34, 13-20.
D14307, https://doi.org/10.1029/2009JD012003 https://doi.org/10.1007/978-94-009-5313-0_58
Dhomse, S.S., Kinnison, D., Chipperfield, M.P., Kim, J., Kim, J., Cho, H.K., Herman, J., Park, S.S.,
Salawitch, R.J., Cionni, I., Hegglin, M.I., Abraham, Lim, H.K., Kim, J.H., Miyagawa, K., Lee, Y.G.
N.L., Akiyoshi, H., Archibald, A.T., Bednarz, E.M., 2017. Intercomparison of total column ozone
Bekki, S., Braesicke, P., Butchart, N., Dameris, M., data from the Pandora spectrophotometer with
Deushi, M., Frith, S., Hardiman, S.C., Hassler, B., Dobson, Brewer, and OMI measurements over
Horowitz, L.W., Hu, R.-M., Jöckel, P., Josse, B., Seoul, Korea, Atmos. Meas. Tech., 10, 3661-3676.
Kirner, O., Kremser, S., Langematz, U., Lewis, J., https://doi.org/10.5194/amt-10-3661-2017
Marchand, M., Lin, M., Mancini, E., Marécal, V.,
Kuttippurath, J., Nair, P.J. 2017. The signs of
Michou, M., Morgenstern, O., O’Connor, F.M.,
Antarctic ozone hole recovery. Sci. Rep., 7, 585.
Oman, L., Pitari, G., Plummer, D.A., Pyle, J.A.,
https://doi.org/10.1038/s41598-017-00722-7
Revell, L.E., Rozanov, E., Schofield, R., Stenke,
A., Stone, K., Sudo, K., Tilmes, S., Visioni, D., Kuttippurath, J., Kumar, P., Nair, P.J., Chakraborty,
Yamashita, Y., Zeng, G. 2018. Estimates of ozone A. 2018. Accuracy of satellite total column
return dates from Chemistry-Climate Model ozone measurements in polar vortex conditions:
Initiative simulations, Atmos. Chem. Phys., 18, 8409- Comparison with ground-based observations in
8438, https://doi.org/10.5194/acp-18-8409-2018 1979-2013. Remote Sens. Environ., 209, 648-659.
https://doi.org/10.1016/j.rse.2018.02.054
Dhomse, S.S., Feng, W., Montzka, S.A., Hossaini, R.,
Keeble, J., Pyle, J.A., Daniel, J.S., Cipperfield, M.P. Levelt, P.F., Hilsenrath, E., Leppelmeier, G.W., Van den
2019. Delay in recovery of the Antarctic ozone hole Oord, G.H.J., Bhartia, P.K., Tamminen, J., De Haan,
from unexpected CFC-11 emissions. Nat. Commun. J.F., Veefkind, J.P. 2006. The Ozone Monitoring
10, 5781. https://doi.org/10.1038/s41467-019- Instrument, IEEE T. Geosci. Remote Sens., 44, 1093-
13717-x 1101. https://doi.org/10.1109/TGRS.2006.872336
Dobson, G.M.B. 1931. A photoelectric London, J. 1985. The observed distribution of
spectrophotometer for measuring the amount of atmospheric ozone and its variations, ozone in
atmospheric ozone, Proc. Phys. Soc. 43, 324. the free atmosphere, edited by: Whitten, R.C. and
https://doi.org/10.1088/0959-5309/43/3/308 Prasad, S.S., New York, Van Nostrand Reinhold,
chap. 1, 11-80.
Dobson, G.M.B., Harrison, D.N. 1926. Measurements
of the amount of ozone in the earth’s McLandress, C., Shepherd, T.G., Scinocca, J.F.,
atmosphere and its relation to other geophysical Plummer, D.A., Sigmond, M., Jonsson, A.I., Reader,
conditions, Proc. Roy. Soc. London, A110, 660. M.C. 2011. Separating the dynamical effects of
https://doi.org/10.1098/rspa.1926.0040 climate change and ozone depletion. Part II: Southern
Hemisphere troposphere. J. Clim., 24, 1850-1868.
Dobson, G.M.B. 1956. Origin and distribution of
https://doi.org/10.1175/2010JCLI3958.1
polyatomic molecules in the atmosphere, Proc.
R. Soc. A, 236, 187-193. https://doi.org/10.1098/ McPeters, R., Kroon, M., Labow, G., Brinksma, E.,
rspa.1956.0127 Balis, D., Petropavlovskikh, I., Veefkind, J.P.,
Bhartia, P.K., Levelt, P.F. 2008. Validation of the
Evans R.D. 2009. Operations Handbook - Ozone
Aura Ozone Monitoring Instrument total column
observations with a Dobson spectrophotometer:
ozone product, J. Geophys. Res., 113, D15S14,
revised 2008, World Meteorological Organization
https://doi.org/10.1029/2007JD008802
TD-No. 1469; GAW Report- No. 183.
Moeini, O., Vaziri Zanjani, Z., McElroy, C.T.,
Farman, J.C., Gardiner, B.G., Shanklin, J.D. 1985.
Tarasick, D.W., Evans, R.D., Petropavlovskikh,
Large losses of total ozone in Antarctica reveal
I., Feng, K.H. 2019. The effect of instrumental
seasonal ClOx/NO interaction, Nature, 315, 207-
stray light on Brewer and Dobson total ozone
210. https://doi.org/10.1038/315207a0
measurements, Atmos. Meas. Tech., 12, 327-343.
Hendrick, F., Pommereau, J.P., Goutail, F., Evans, https://doi.org/10.5194/amt-12-327-2019.
R.D., Ionov, D., Pazmino, A., Kyrö, E., Held, G.,
Orte, P.F., Salvador, J., Wolfram, E., D’Elia, R.,
Eriksen, P., Dorokhov, V., Gil, M., Van Roozendael,
Nagahama, T., Kojima, Y., Tanada, R., Kuwahara,
M. 2011. NDACC/SAOZ UV-visible total ozone
T., Morihira, A., Quel, E., Mizuno, A. 2011.
measurements: improved retrieval and comparison
Millimeter wave radiometer installation in Río
with correlative ground-based and satellite
Gallegos, southern Argentina, Int. Conf. on
observations, Atmos. Chem. Phys., 11, 5975-5995,
Applications of Opt. and Photonics, edited by:
https://doi.org/10.5194/acp11-5975-2011
Costa, M.F.M., Vol. 8001, Proceedings of SPIE,
https://doi.org/10.1117/12.894578
Orte, P.F., Wolfram, E., Salvador, J., Mizuno, A., Vaz Peres, L., Bencherif, H., Mbatha, N., Passaglia
Bègue, N., Bencherif, H., Bali, J.L., D’Elia, R., Schuch, A., Toihir, A.M., Bègue, N., Portafaix,
Pazmiño, A., Godin-Beekmann, S., Ohyama, H., T., Anabor, V., Kirsch Pinheiro, D., Paes Leme,
Quiroga, J. 2019. Analysis of a southern subpolar N.M., Bageston, J.V., Schuch, N.J. 2017.
short-term ozone variation event using a millimetre- Measurements of the total ozone column using a
wave radiometer, Ann. Geophys., 37, 613-629. Brewer spectrophotometer and TOMS and OMI
https://doi.org/10.5194/angeo-37-613-2019 satellite instruments over the Southern Space
Observatory in Brazil, Ann. Geophys., 35, 25-37.
Pazmiño A. 2010. O3 and NO2 vertical columns using
https://doi.org/10.5194/angeo-35-25-2017
SAOZ UV-Visible spectrometer. EPJ Web of
Conferences, EDP Sciences, 2010, 9, pp.201-214. Veefkind, J.P., de Haan, J.F., Brinksma, E.J.,
https://doi.org/10.1051/epjconf/201009016 Kroon, M., Levell, P.F. 2006. Total Ozone
from the Ozone Monitoring Instrument
Polvani, L.M., Waugh, D.W., Correa, G.J.P., Son,
(OMI) using the DOAS technique, IEEE
S.W. 2011. Stratospheric ozone depletion: the main
Trans. Geosci. Remote Sens., 44, 1239-1244.
driver of twentieth-century atmospheric circulation
https://doi.org/10.1109/TGRS.2006.871204
changes in the Southern Hemisphere. J. Clim. 24,
795-812. https://doi.org/10.1175/2010JCLI3772.1 Wolfram, A.E., Salvador, J., D’Elia, R., Casiccia,
C., Leme, N.P., Pazmiño, A., Porteneuve, J.,
GAW report, 2019. Region III, International Comparison
Godin-Beekman, S., Nakane, H., Quel, E.J.
of Dobson of Spectrophotometers, Villa Ortuzar
2008. New Differential absorption lidar for
Observatory, Argentina, 2019. SMN, WMO. https://
stratospheric ozone monitoring in Patagonia,
public.wmo.int/en/events/meetings/regional-2019-
south Argentina, J. Opt. A, 10, 589 595.
latin-american-dobson-intercomparison-campaign
https://doi.org/10.1088/1464-4258/10/10/104021
Salvador, J.O. 2011. Estudio del comportamiento de la
Wolfram, E.A., Salvador, J., Orte, F., D’Elia, R.,
capa de ozono y la radiación UV en la Patagonia
Godin-Beekmann, S., Kuttippurath, J., Pazmiño,
Austral y su proyección hacia la comunidad, Tesis
A., Goutail, F., Casiccia, C., Zamorano, F., Paes
de doctorado, UTN-FRBA.
Leme, N., Quel, E.J. 2012. The unusual persistence
Salvador, J., Wolfram, E., Orte, F., D’Elia, R., Bulnes, of an ozone hole over a southern mid-latitude
D., Quel, E. 2013. Observations of UV radiation and station during the Antarctic spring 2009: a multi-
total ozone column using ground based instruments instrument study, Ann. Geophys., 30, 1435-1449.
in Río Gallegos, Argentina (51° 36’ S, 69° 19’ https://doi.org/10.5194/angeo-30-1435-2012
W). AIP Conference Proceedings, 364-367, 1531.
World Meteorological Organization (WMO). 2018.
https://doi.org/10.1063/1.4804782
Scientific Assessment of Ozone Depletion: 2018,
Solomon, S., Ivy, D.J., Kinnison, D., Mills, M.J., Neely, Global Ozone Research and Monitoring Project-
R.R., Schmidt, A. 2016. Emergence of healing in Report No. 58.
the Antarctic ozone layer, Science, 353, 269-274,
World Meteorological Organization (WMO). 2010.
https://doi.org/10.1126/science.aae0061
Scientific Assessment of Ozone Depletion: 2010,
Son, S.W., Gerber, E.P., Perlwitz, J., Polvani, L.M., Global Ozone Research and Monitoring Project-
Gillett, N.P., Seo, K.H., ... Austin, J. 2010. Report No. 52, Geneva, Switzerland, 2011.
Impact of stratospheric ozone on Southern
World Meteorological Organization (WMO): Scientific
Hemisphere circulation change: A multimodel
Assessment of Ozone Depletion: 2014 Global Ozone
assessment, J. Geophys. Res., 115, D00M07,
Research and Monitoring Project Report, World
https://doi.org/10.1029/2010JD014271
Meteorological Organization, Geneva, Switzerland,
Stolarski, R.S., Krueger, A.J., Schoeberl, M.R., p. 416, 2014.
McPeters, R.D., Newman, P.A., Albert, J.C. 1986.
Zerefos C. 1997 Factors Influencing the Transmission
Nimbus 7 SBUV/TOMS measurements of the
of Solar Ultraviolet Irradiance through the
springtime antarctic ozone hole. Nature, p. 811.
Earth’s Atmosphere. In: Zerefos C.S., Bais
https://doi.org/10.1038/322808a0
A.F. (eds) Solar Ultraviolet Radiation. NATO
ASI Series (Series I: Global Environmental
Change), vol 52. Springer, Berlin, Heidelberg.
https://doi.org/10.1007/978-3-662-03375-3_9
Departamento de Geografía Física y Análisis Geográfico Regional, Universidad de Sevilla, Calle Doña María de Padilla s/n
41004, Sevilla, España.
Vegetation phenology from satellite imagery: the case of the Iberian Peninsula and Balearic Islands
(2001-2017)
Abstract: Phenological dynamics of vegetation is considered as an important biological indicator for understanding
the functioning of terrestrial ecosystems. Land surface phenology (LSP), the study of vegetation phenology from
time series of vegetation indices (IV), has provided a comprehensive overview of ecosystem dynamics. Iberian
Peninsula is one of the regions with the greatest diversity of ecosystems in European continent. It is therefore
an excellent study area for monitoring phenological dynamics of vegetation. The aim of this study is to analyse
the spatial variability of the phenology of the vegetation of the Iberian Peninsula and Balearic Islands for the
period 2001-2017. NDVI (Normalized Difference Vegetation Index) time series were generated from the surface
reflectance product MOD09Q1 at a spatial resolution of 250 meters and with a composite period of 8 days.
To cite this article: Caparros-Santiago, J.A., Rodríguez-Galiano, V.F. 2020. Vegetation phenology from satellite imagery: the case of the
Iberian Peninsula and Balearic Islands (2001-2017). Revista de Teledetección, 57, 25-36. https://doi.org/10.4995/raet.2020.13632
*
Corresponding author: jacaparros@us.es
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 25
Caparros-Santiago y Rodríguez-Galiano
Atmospheric disturbances and noise were reduced using a Savitzky-Golay smoothing filter. Different phenological
metrics or phenometrics were extracted using a threshold-based method. Results showed the existence of a
different behaviour between spring and autumn phenophases in the Atlantic and Mediterranean biogeographic
regions. The Mediterranean mountainous areas showed a similar phenological behaviour to the Atlantic vegetation.
Biogeographic regions showed an internal variability, which may be derived from the different behaviour of land
covers (e.g., natural vegetation vs. crops).
Key words: spring, autumn, seasonality, MODIS, time series.
Figura 1. Esquema de los procesos involucrados en la estimación de LSP. LSP es estimada a partir de la información pro-
porcionada por diferentes sensores satelitales (1). Generalmente suelen usarse composiciones temporales de las imágenes
de satélite (2) para calcular los IV (3). Las posibles alteraciones de la señal satelital suelen ser reducidas a partir de la apli-
cación de algoritmos de suavizado (4) y, posteriormente, diferentes métodos son utilizados para extraer las fenométricas:
umbrales, derivadas y/o medias móviles autorregresivas (5). Esta información fenológica suele ser comparada con datos
fenológicos derivados de observaciones de campo, cámaras digitales fijas o torres de flujo de CO2.
través de una combinación de valores espectrales Julien y Sobrino, 2009; Rodriguez-Galiano et al.,
de distintas bandas del espectro electromagnético 2016; Tong et al., 2019). A partir de las series
(Huete et al., 2002). Los IV o parámetros biofí- suavizadas, las fenométricas pueden ser extraídas
sicos más usados han sido el NDVI (Normalized mediante aproximaciones diferentes, tales como
Difference Vegetation Index), EVI (Enhanced métodos basados en umbrales, derivadas o medias
Vegetation Index) o LAI (Leaf Area Index), entre móviles autorregresivas (Aragones et al., 2019;
otros (Atzberger et al., 2013; Julien y Sobrino, Ivits et al., 2013; Pastor-Guzman et al., 2018;
2009; Pastor-Guzman et al., 2018; Verger et al., Rodriguez-Galiano et al., 2015a; Vrieling et al.,
2016; Zhang et al., 2003). 2018). Algunos estudios complementaron sus
estimaciones de LSP con información derivada de
La señal fenológica de los IV puede verse in-
observaciones fenológicas directas en el campo
fluenciada por diferentes factores: a) la mezcla
(Rodriguez-Galiano et al., 2015b; Sobrino et al.,
de señales de diferentes especies vegetales y
2013), mediciones de flujos de carbono (Gonsamo
de cubiertas no vegetales (e.g. suelo desnudo,
et al., 2012) o información derivada de cámaras
elementos urbanos, cuerpos de agua); b) las con-
digitales fijas situadas en estaciones de observa-
diciones atmosféricas (e.g. cobertura de nubes,
ción (i. e. phenocam) (Klosterman et al., 2014).
efectos de aerosoles atmosféricos o influencia del
vapor de agua) o; c) las perturbaciones de los sen- La península ibérica, una de las regiones europeas
sores (Chen et al., 2018; Hird y McDermid, 2009). más vulnerables a los efectos del cambio climáti-
La atenuación del ruido en las series temporales co (EEA, 2017), es un área de estudio de elevado
ha sido abordada mediante la aplicación de múl- interés por su gran diversidad de ecosistemas, con-
tiples técnicas de suavizado, tales como el filtro secuencia de su variabilidad climática, edáfica y
de Savitzky-Golay, la doble función logística, la orográfica. Por lo tanto, es un excelente laborato-
función asimétrica gaussiana o la transformada rio natural para la monitorización de la dinámica
de Fourier, entre otras (Jönsson y Eklundh, 2002; de LSP como indicador de cambios ambientales.
En estudios previos como el llevado a cabo por Processes Distributed Active Archive Center)
Peñuelas et al. (2004) se analizó el comportamiento (https://lpdaac.usgs.gov/). Estas cuatro teselas
fenológico de la vegetación en 2001 para toda la fueron mosaicadas y reproyectadas desde una pro-
península a partir de series temporales de NDVI yección sinusoidal a un sistema de coordenadas
de MODIS (1 kilómetro de resolución espacial geográficas con datum WGS84 (World Geodetic
y compuestos de 16 días). Ramos et al. (2015) y System 1984) usando MODIS Reprojection Tool.
Rodrigues et al. (2013) analizaron la dinámica fe- El mosaico reproyectado se enmascaró inclu-
nológica de la vegetación a diferentes resoluciones yendo únicamente el territorio peninsular e islas
espaciales (250 metros y 1 kilómetro, respectiva- Baleares. Posteriormente se consideró la banda
mente), aunque se centraron en pequeños sectores de evaluación de calidad del producto MOD09Q1
del territorio peninsular. en cada píxel, seleccionando aquellos píxeles que
cumplían una serie de criterios (e.g. corrección
El objetivo principal de este estudio es caracterizar
atmosférica, corrección del efecto de adyacencia).
espacialmente la LSP de la península ibérica e islas
Posteriormente, se generaron series temporales de
Baleares utilizando series temporales de NDVI-
NDVI para el periodo comprendido entre enero
MODIS para el periodo 2001-2017 a una resolución
de 2001 y diciembre de 2017 (782 compuestos de
espacial de 250 metros. Los objetivos específicos
imágenes satelitales). Este IV se caracteriza por la
son: i) detectar patrones espaciales de LSP en el
sencillez de su cálculo, basado en la relación entre
territorio peninsular y archipiélago balear a una
las bandas roja e infrarroja cercana, que permite
resolución espacial media; ii) analizar la dinámica
el estudio de la variabilidad estacional de la acti-
de LSP entre regiones biogeográficas diferenciando
vidad fotosintética de la vegetación, minimizando
entre áreas de vegetación natural y de cultivos y iii)
algunos tipos de ruido que podrían ser encontra-
determinar la variabilidad latitudinal y los efectos
dos en distintas bandas espectrales del espectro
de la altitud en el comportamiento de LSP.
electromagnético (e.g. sombras de la topografía
y/o de las nubes) (Huete et al., 2002).
2. Material y métodos
La cartografía de la clasificación de las regio-
2.1. Datos nes biogeográficas europeas, cuya delimitación
está basada en la Directiva Hábitats (92/43/
En esta investigación se utilizaron cuatro fuentes
CEE) y el Convenio relativo a la conserva-
de datos: i) series temporales del producto de
ción de la vida silvestre y del medio natural de
MOD09Q1 derivado del sensor MODIS (Vermote,
Europa (Convenio de Berna), se utilizó para
2015); ii) la base cartográfica de la clasificación
estratificar el paisaje peninsular y balear
de las regiones biogeográficas de la península
(https://www.eea.europa.eu/data-and-maps/data/
ibérica e islas Baleares (https://www.eea.europa.
biogeographical-regions-europe-3). Esta base car-
eu/data-and-maps/data/biogeographical-regions-
tográfica identifica tres regiones biogeográficas
europe-3); iii) el producto global MCD12Q1 de
para toda el área de estudio: i) la región biogeo-
MODIS de tipologías de cubiertas del suelo (Friedl
gráfica alpina; ii) la región biogeográfica atlántica
et al., 2010) y iv) el modelo digital de elevaciones
y iii) la región biogeográfica mediterránea.
derivado de la STRM (Shuttle Radar Topography
Mission) (Farr et al., 2007). La información de cubiertas del suelo del periodo
2001-2017 se utilizó para establecer una diferen-
LSP se extrajo a partir de la serie temporal de
ciación entre las áreas de vegetación natural y de
17 años (2001-2017) del producto de reflectancia
cultivos. Estos datos derivaron de la clasificación
de superficie MOD09Q1 (Vermote, 2015). Este
de cubiertas del suelo propuesta por el IGBP
producto de MODIS está basado en compuestos
(International Geosphere Biosphere Programme)
de imágenes satelitales de 8 días a una resolu-
en el producto MCD12Q1, que está basado en
ción espacial de 250 metros. Las teselas (tiles)
imágenes MODIS a una resolución espacial 500
“h17v04”, “h18v04”, “h17v05” y “h18v05”, con
metros (Friedl et al., 2010).
una dimensión de 10°×10° cada una, fueron obte-
nidas del NASA (National Aeronautics and Space Los datos altimétricos se obtuvieron a partir de las
Administration) EOSDIS (Earth Observing System imágenes del modelo digital de elevaciones pro-
Data and Information System) LP DAAC (Land porcionado por la STRM de la NASA, que fueron
adquiridas a una resolución espacial de aproxima- comportamiento bruto de la serie temporal NDVI
damente 90 metros (Farr et al., 2007). y su ajuste a partir del filtro Savitzky-Golay para
tres tipos funcionales de vegetación.
2.2. Estimación de LSP El método de umbrales fue aplicado para extraer
las fenométricas a partir de las series temporales
El software TIMESAT 3.3 (Jönsson y Eklundh,
de NDVI suavizadas: a) el inicio de la estación
2004) fue utilizado para: i) el suavizado de los da-
de crecimiento o comienzo de la primavera (CP);
tos y, ii) la extracción de las fenométricas. El ruido
b) el final de la estación de crecimiento o el final
de las series temporales de NDVI fue reducido a
de la senescencia (FS) (i. e. final del otoño) y c)
partir de un filtro de suavizado Savitzky-Golay,
la duración de la estación de crecimiento (DEC)
que está basado en un modelo de ajuste de la serie
(Figura 3). El CP se definió como la fecha en la
temporal a partir de funciones polinómicas locales
que el valor de NDVI suavizado alcanzó el 10%
(Savitzky y Golay, 1964). La Figura 2 muestra el
de su amplitud antes del máximo, mientras que el
FS se definió como la fecha en la que el valor de
NDVI post-máximo decreció hasta el 10% de su
amplitud. La DEC fue definida como el periodo
comprendido entre las fenométricas anteriores.
3. Resultados y discusión
3.1. Caracterización de los patrones
espaciales de la LSP
Figura 5. Diagramas de cajas que muestran el CP y el FS de las áreas de vegetación natural y de cultivos por región
biogeográfica. Solo se consideraron los píxeles en los que la cobertura del suelo se mantuvo constante en la totalidad del
periodo de estudio (2001-2017). En los diagramas de cajas, la línea horizontal y el símbolo cuadrado del interior de cada
caja representan la mediana y la media, respectivamente. Los límites de cada caja son los percentiles 25 y 75 (i. e. rango
intercuartílico), y los extremos superior e inferior de la líneas verticales son una prolongación de 1,5 veces el rango inter-
cuartílico. Los valores atípicos máximo y mínimo son representados con un guion, y el 1er y el 99° percentil con una x. El
mapa muestra la distribución espacial de las regiones biogeográficas del área de estudio.
variabilidad temporal que el CP en una importante del incendio que afectó en 2009 a una gran ex-
extensión de la región biogeográfica atlántica y en tensión de la superficie forestal de la Serranía
la región alpina. La desviación estándar del FS fue de Cuenca. Estos valores de desviación estándar
de aproximadamente 0-50 días, mientras que en también fueron muy elevados en el sector sep-
el CP fue de aproximadamente 10-20 días. Esto tentrional de Portugal, ya que esta zona tiene una
puede deberse a la mayor complejidad del com- importante presencia de plantaciones arbóreas
portamiento de la fenología de otoño, que presenta (e.g. eucaliptos) destinadas principalmente a la
un mayor grado de incertidumbre (Richardson industria maderera (Catry et al., 2015).
et al., 2013). En cuanto a la región biogeográfica
mediterránea, la variabilidad interanual de ambas 3.3. Gradiente latitudinal/longitudinal y
fenométricas fue generalmente baja, siendo li-
efectos de la altitud en las fenométricas
geramente superior la del CP (aproximadamente
5-10 días). Estos cambios en las fenométricas po- El perfil fenológico (NW-SE peninsular) mostrado
drían asociarse con la respuesta de la vegetación en la Figura 7 pone de manifiesto la variabilidad
a factores ambientales, especialmente climáticos latitudinal/longitudinal de la fenología en la
(Rodriguez-Galiano et al., 2016). Sin embargo, península ibérica. El CP y el FS ocurrieron más
los valores de la desviación estándar de ambas temprano en la región biogeográfica mediterrá-
fenométricas fueron muy elevados en determi- nea. Sin embargo, estas fenométricas fueron más
nados sectores de esta región biogeográfica. Esta tardías en las zonas mediterráneas más elevadas
alta variabilidad temporal podría estar relacionada (i. e. Sierra Nevada (Cordilleras Béticas), Sistema
con diferentes factores, tales como la rotación de Central, Cordillera Cantábrica) (alrededor de
cultivos (Qader et al., 2015), el cambio en las co- 150 -180 días). Esto podría deberse al efecto de
berturas del suelo (White et al., 2009) o el impacto la altitud sobre las condiciones climáticas (e.g.
de fenómenos naturales o antrópicos sobre las temperatura y/o humedad) propio de las regiones
cubiertas (e.g. incendios forestales, deforestación) montañosas. También se observaron fenofases
(Valderrama-Landeros et al., 2016), entre otros. más tardías en zonas que pudieran estar asociadas
La variabilidad temporal de ambas fenométricas con áreas de cultivo (e.g. valle del Guadalquivir,
fue de aproximadamente 40-60 días en regiones valle del Tajo y determinados sectores de la
con una destacable presencia de zonas agrícolas, Submeseta Norte) (alrededor de 25-50 días). Este
tales como el valle del Guadalquivir, la Submeseta gradiente latitudinal/longitudinal se relaciona prin-
Norte, la Submeseta Sur o el valle del Ebro, que cipalmente con la variabilidad de los patrones de
podría ser explicada por la rotación de cultivos. temperatura y precipitación (Rodriguez-Galiano
En las estribaciones meridionales del Sistema et al., 2016). Además, el gradiente latitudinal
Ibérico los valores de desviación estándar supe- pudiera también ser atribuido a factores como el
raron incluso los 100 días. Esta alta variabilidad fotoperiodo (Adole et al., 2019). La variabilidad
de las fenométricas podría deberse a los efectos de las fenométricas también responde al diferente
de Investigación / FEDER - Junta de Andalucía Chen, X., Yang, Y. 2020. Observed earlier start
(Consejería de Economía y Conocimiento), of the growing season from middle to high
respectivamente. latitudes across the Northern Hemisphere
snow-covered landmass for the period 2001-
2014. Environmental Research Letters, 15(3).
Referencias https://doi.org/10.1088/1748-9326/ab6d39
Adole, T., Dash, J., Atkinson, P.M. 2016. A de Beurs, K.M., Henebry, G.M. 2005. Land
systematic review of vegetation phenology in surface phenology and temperature
Africa. Ecological Informatics, 34, 117-128. variation in the International Geosphere-
https://doi.org/10.1016/j.ecoinf.2016.05.004 Biosphere Program high-latitude transects.
Global Change Biology, 11(5), 779-790.
Adole, T., Dash, J., Rodriguez-Galiano, V., Atkinson, P.M.
https://doi.org/10.1111/j.1365-2486.2005.00949.x
2019. Photoperiod controls vegetation phenology
across Africa. Communications Biology, 2(1), 391. EEA. 2017. Climate Change, Impacts and
https://doi.org/10.1038/s42003-019-0636-7 Vulnerability in Europe 2016: An indicator-based
report. Copenhagen: Environmental Science and
Ahas, R., Aasa, R., Menzel, A., Fedotova, V.G.,
Engineering - European Environment Agency
Scheifinger, H. 2002. Changes in European spring
(EEA).
phenology. International Journal of Climatology,
22(14), 1727-1738. https://doi.org/10.1002/joc.818 Farr, T.G., Rosen, P.A., Caro, E., Crippen, R., Duren,
R., Hensley, S., Kobrick, M., Paller, M., Rodriguez,
Aragones, D., Rodriguez-Galiano, V.F., Caparros-
E., Roth, L. 2007. The shuttle radar topography
Santiago, J.A., Navarro-Cerrillo, R.M. 2019. Could
mission. Reviews of Geophysics, 45(2), RG2004.
land surface phenology be used to discriminate
https://doi.org/10.1029/2005RG000183
Mediterranean pine species? International Journal of
Applied Earth Observation and Geoinformation, 78, Friedl, M.A., Sulla-Menashe, D., Tan, B., Schneider,
281-294. https://doi.org/10.1016/j.jag.2018.11.003 A., Ramankutty, N., Sibley, A., Huang, X. 2010.
MODIS Collection 5 global land cover: Algorithm
Asam, S., Callegari, M., Matiu, M., Fiore, G., De
refinements and characterization of new datasets.
Gregorio, L., Jacob, A., Menzel, A., Zebisch,
Remote Sensing of Environment, 114(1), 168-182.
M., Notarnicola, C. 2018. Relationship between
https://doi.org/10.1016/j.rse.2009.08.016
spatiotemporal variations of climate, snow cover
and plant phenology over the Alps-An Earth Garonna, I., de Jong, R., Schaepman, M.E. 2016.
observation-based analysis. Remote Sensing, 10(11). Variability and evolution of global land surface
https://doi.org/10.3390/rs10111757 phenology over the past three decades (1982-
2012). Global Change Biology, 22(4), 1456-1468.
Atkinson, P.M., Jeganathan, C., Dash, J., Atzberger, C.
https://doi.org/10.1111/gcb.13168
2012. Inter-comparison of four models for smoothing
satellite sensor time-series data to estimate vegetation Gómez-Limón, J.A., Picazo-Tadeo, A.J. 2012. Irrigated
phenology. Remote Sensing of Environment, 123, agriculture in Spain: Diagnosis and Prescriptions
400-417. https://doi.org/10.1016/j.rse.2012.04.001 for Improved governance. International Journal
of Water Resources Development, 28(1), 57-72.
Atzberger, C., Klisch, A., Mattiuzzi, M., Vuolo,
https://doi.org/10.1080/07900627.2012.640876
F. 2013. Phenological metrics derived over the
European continent from NDVI3g data and MODIS Gonsamo, A., Chen, J.M., David, T.P., Kurz, W.A., Wu,
time series. Remote Sensing, 6(1), 257-284. C. 2012. Land surface phenology from optical satellite
https://doi.org/10.3390/rs6010257 measurement and CO2 eddy covariance technique.
Journal of Geophysical Research: Biogeosciences,
Catry, F.X., Moreira, F., Deus, E., Silva, J.S., Águas,
117(3). https://doi.org/10.1029/2012JG002070
A. 2015. Assessing the extent and the environmental
drivers of Eucalyptus globulus wildling establishment Helman, D. 2018. Land surface phenology:
in Portugal: results from a countrywide survey. What do we really ‘see’ from space? Science
Biological Invasions, 17(11), 3163-3181. https://doi. of the Total Environment, 618, 665-673.
org/10.1007/s10530-015-0943-y https://doi.org/10.1016/j.scitotenv.2017.07.237
Chen, X., Wang, D., Chen, J., Wang, C., Shen, Hird, J.N., McDermid, G.J. 2009. Noise reduction of
M. 2018. The mixed pixel effect in land NDVI time series:An empirical comparison of selected
surface phenology: A simulation study. techniques. Remote Sensing of Environment, 113(1),
Remote Sensing of Environment, 211, 338-344. 248-258. https://doi.org/10.1016/j.rse.2008.09.003
https://doi.org/10.1016/j.rse.2018.04.030
Holben, B.N. 1986. Characteristics of maximum-value Pastor-Guzman, J., Dash, J., Atkinson, P.M.
composite images from temporal AVHRR data. 2018. Remote sensing of mangrove forest
International Journal of Remote Sensing, 7(11), 1417- phenology and its environmental drivers.
1434. https://doi.org/10.1080/01431168608948945 Remote Sensing of Environment, 205, 71-84.
https://doi.org/10.1016/j.rse.2017.11.009
Huete, A., Didan, K., Miura, T., Rodriguez, E.P.,
Gao, X., Ferreira, L.G. 2002. Overview of Peñuelas, J., Filella, I. 2001. Phenology: Responses
the radiometric and biophysical performance to a warming world. Science, 294(5543), 793-795.
of the MODIS vegetation indices. Remote https://doi.org/10.1126/science.1066860
Sensing of Environment, 83(1-2), 195-213. Peñuelas, J., Filella, I., Zhang, X., Llorens, L.,
https://doi.org/10.1016/S0034-4257(02)00096-2 Ogaya, R., Lloret, F., Comas, P., Estiarte, M.,
Ivits, E., Cherlet, M., Horion, S., Fensholt, R. 2013. Terradas, J. 2004. Complex spatiotemporal
Global biogeographical pattern of ecosystem phenological shifts as a response to rainfall
functional types derived from earth observation changes. New Phytologist, 161(3), 837-846.
data. Remote Sensing, 5(7), 3305-3330. https://doi.org/10.1111/j.1469-8137.2004.01003.x
https://doi.org/10.3390/rs5073305 Piao, S., Liu, Q., Chen, A., Janssens, I.A., Fu, Y., Dai,
Jönsson, P., Eklundh, L. 2002. Seasonality extraction J., Liu, L., Lian, X., Shen, M., Zhu, X. 2019. Plant
by function fitting to time-series of satellite phenology and global climate change: Current
sensor data. IEEE Transactions on Geoscience progresses and challenges. Global Change Biology,
and Remote Sensing, 40(8), 1824-1832. 25(6), 1922-1940. https://doi.org/10.1111/gcb.14619
https://doi.org/10.1109/TGRS.2002.802519 Qader, S.H., Atkinson, P.M., Dash, J. 2015.
Jönsson, P., Eklundh, L. 2004. TIMESAT - A program Spatiotemporal variation in the terrestrial
vegetation phenology of Iraq and its relation with
for analyzing time-series of satellite sensor data.
elevation. International Journal of Applied Earth
Computers and Geosciences, 30(8), 833-845.
Observation and Geoinformation, 41, 107-117.
https://doi.org/10.1016/j.cageo.2004.05.006
https://doi.org/10.1016/j.jag.2015.04.021
Julien, Y., Sobrino, J.A. 2009. Global land
Ramos, A., Pereira, M.J., Soares, A., Rosário, L.D.,
surface phenology trends from GIMMS
Matos, P., Nunes, A., Branquinho, C., Pinho,
database. International Journal of
P. 2015. Seasonal patterns of Mediterranean
Remote Sensing, 30(13), 3495-3513.
evergreen woodlands (Montado) are explained
https://doi.org/10.1080/01431160802562255
by long-term precipitation. Agricultural
Keenan, T.F., Gray, J., Friedl, M.A., Toomey, M., and Forest Meteorology, 202, 44-50.
Bohrer, G., Hollinger, D.Y., Munger, J.W., O’Keefe, https://doi.org/10.1016/j.agrformet.2014.11.021
J., Schmid, H.P., Wing, I.S., Yang, B., Richardson, Richardson, A.D., Keenan, T.F., Migliavacca, M.,
A.D. 2014. Net carbon uptake has increased through Ryu, Y., Sonnentag, O., Toomey, M. 2013. Climate
warming-induced changes in temperate forest change, phenology, and phenological control
phenology. Nature Climate Change, 4(7), 598-604. of vegetation feedbacks to the climate system.
https://doi.org/10.1038/nclimate2253 Agricultural and Forest Meteorology, 169, 156-173.
Klosterman, S.T., Hufkens, K., Gray, J.M., Melaas, E., https://doi.org/10.1016/j.agrformet.2012.09.012
Sonnentag, O., Lavine, I., Mitchell, L., Norman, R., Rivas-Martínez, S. 1987. Memoria del mapa de series
Friedl, M.A., Richardson, A.D. 2014. Evaluating de vegetación de España. Madrid: Ministerio de
remote sensing of deciduous forest phenology Agricultura, Pesca y Alimentación -Instituto para la
at multiple spatial scales using PhenoCam Conservación de la Naturaleza (ICONA).
imagery. Biogeosciences, 11(16), 4305-4320.
https://doi.org/10.5194/bg-11-4305-2014 Rodrigues, A., Marcal, A.R.S., Cunha, M. 2013.
Monitoring vegetation dynamics inferred by satellite
Menzel, A. 2000. Trends in phenological phases in data using the pheno sat tool. IEEE Transactions on
Europe between 1951 and 1996. International Geoscience and Remote Sensing, 51(4), 2096-2104.
Journal of Biometeorology, 44(2), 76-81. https://doi.org/10.1109/TGRS.2012.2223475
https://doi.org/10.1007/s004840000054
Rodriguez-Galiano, V.F., Dash, J., Atkinson, P.M.
Menzel, A. 2002. Phenology: Its importance to 2015a. Characterising the land surface phenology
the global change community: An editorial of Europe using decadal MERIS data. Remote
comment. Climatic Change, 54(4), 379-385. Sensing, 7(7), 9390-9409. https://doi.org/10.3390/
https://doi.org/10.1023/A:1016125215496 rs70709390
Rodriguez-Galiano, V.F., Dash, J., Atkinson, P.M. Vrieling, A., Meroni, M., Darvishzadeh, R.,
2015b. Intercomparison of satellite sensor land Skidmore, A.K., Wang, T., Zurita-Milla, R.,
surface phenology and ground phenology in Europe. Oosterbeek, K., O’Connor, B., Paganini, M.
Geophysical Research Letters, 42(7), 2253-2260. 2018. Vegetation phenology from Sentinel-2
https://doi.org/10.1002/2015GL063586 and field cameras for a Dutch barrier island.
Remote Sensing of Environment, 215, 517-529.
Rodriguez-Galiano, V.F., Sanchez-Castillo, M.,
https://doi.org/10.1016/j.rse.2018.03.014
Dash, J., Atkinson, P.M., Ojeda-Zujar, J. 2016.
Modelling interannual variation in the spring and White, M.A., de Beurs, K.M., Didan, K., Inouye,
autumn land surface phenology of the European D.W., Richardson, A.D., Jensen, O.P., O’Keefe, J.,
forest. Biogeosciences, 13(11), 3305-3317. Zhang, G., Nemani, R.R., van Leeuwen, W.J.D.,
https://doi.org/10.5194/bg-13-3305-2016 Brown, J.F., de Wit, A., Schaepman, M., Lin, X.,
Dettinger, M., Bailey, A.S., Kimball, J., Schwartz,
Savitzky, A., Golay, M.J.E. 1964. Smoothing and
M.D., Baldocchi, D.D., Lee, J.T., Lauenroth,
Differentiation of Data by Simplified Least Squares
W.K. 2009. Intercomparison, interpretation, and
Procedures. Analytical Chemistry, 36(8), 1627-1639.
assessment of spring phenology in North America
https://doi.org/10.1021/ac60214a047
estimated from remote sensing for 1982-2006.
Schaber, J., Badeck, F.W. 2005. Plant phenology Global Change Biology, 15(10), 2335-2359.
in Germany over the 20th century. Regional https://doi.org/10.1111/j.1365-2486.2009.01910.x
Environmental Change, 5(1), 37-46.
Zhang, X., Friedl, M.A., Schaaf, C.B., Strahler, A.H.,
https://doi.org/10.1007/s10113-004-0094-7
Hodges, J.C.F., Gao, F., Reed, B.C., Huete, A. 2003.
Sobrino, J.A., Julien, Y., Soria, G. 2013. Phenology Monitoring vegetation phenology using MODIS.
estimation from meteosat second generation data. Remote Sensing of Environment, 84(3), 471-475.
Ieee Journal of Selected Topics in Applied Earth https://doi.org/10.1016/S0034-4257(02)00135-9
Observations and Remote Sensing, 6(3), 1653-1659.
https://doi.org/10.1109/JSTARS.2013.2259577
Tong, X., Tian, F., Brandt, M., Liu, Y., Zhang, W.,
Fensholt, R. 2019. Trends of land surface phenology
derived from passive microwave and optical remote
sensing systems and associated drivers across the dry
tropics 1992-2012. Remote Sensing of Environment,
232. https://doi.org/10.1016/j.rse.2019.111307
Valderrama-Landeros, L.H., España-Boquera, M.L.,
Baret, F. 2016. Deforestation in Michoacan, Mexico,
from CYCLOPES-LAI Time Series (2000-2006).
Ieee Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, 9(12), 5398-5405.
https://doi.org/10.1109/JSTARS.2016.2597742
Verger, A., Filella, I., Baret, F., Peñuelas, J. 2016.
Caracterización de la fenología de la vegetación
a escala global mediante series temporales SPOT
VEGETATION. Revista de Teledeteccion, 47, 1-11.
https://doi.org/10.4995/raet.2016.5718
Vermote, E. 2015. MOD09Q1 MODIS/Terra Surface
Reflectance 8-Day L3 Global 250m SIN Grid V006
[Data set]. NASA EOSDIS Land Processes DAAC.
https://doi.org/10.5067/MODIS/MOD09Q1.006
Vrieling, A., De Leeuw, J., Said, M.Y. 2013. Length of
growing period over africa: Variability and trends
from 30 years of NDVI time series. Remote Sensing,
5(2), 982-1000. https://doi.org/10.3390/rs5020982
Resumen: Conocer y cartografiar los cambios del uso y cobertura de la tierra es esencial para la formulación de
estrategias de manejo y conservación de los recursos naturales. Las herramientas que conforman la disciplina de la
teledetección han sido extensamente usadas con este objetivo. Al comparar cuatro algoritmos de clasificación y dos
tipos de imágenes satelitales, el objetivo de la investigación fue determinar el tipo de algoritmo e imagen satelital
que permite obtener una mayor fiabilidad global en la identificación de la cobertura boscosa en paisajes de uso de
la tierra con alta fragmentación. El estudio se desarrolló en la Zona Huetar Norte de Costa Rica, utilizando un diseño
experimental de seis bloques con un arreglo de tratamientos con tres factores. El uso de imágenes Sentinel-2 fue
superior al obtenido con Landsat-8. No existen diferencias significativas en la fiabilidad lograda con los algoritmos
de clasificación de Máxima Verosimilitud, Máquinas de Vectores Soporte y Redes Neuronales, pero sí de estos con
respecto a la clasificación por Mínima Distancia. No se detectó interacción entre tipo de imagen y algoritmo de
clasificación, por lo que las imágenes de Sentinel-2 podrían usarse con cualquiera de los tres mejores algoritmos
estudiados. Se analizó además el efecto que tuvo el mes en cada imagen adquirida, y se encontraron diferencias
significativas debido a este factor, además se produce una interacción de este con el método de clasificación. Los
mejores resultados se obtuvieron con imágenes de abril, y los más bajos con imágenes de septiembre, mes que
coincide con la época lluviosa en la zona estudiada. Se concluye que la mayor fiabilidad en la identificación de la
cobertura boscosa se logra mediante el uso de los algoritmos de Máxima Verosimilitud, Máquinas de Vectores
Soporte y Redes Neuronales empleando imágenes Sentinel-2 tomadas en la temporada seca.
Palabras clave: Landsat 8, Sentinel-2, clasificación por máxima verosimilitud, máquinas de vectores soporte, clasificación
por mínima distancia, clasificación por redes neuronales, Región Huetar Norte.
Evaluation of four classification algorithms of Landsat-8 and Sentinel-2 satellite images to identify
forest cover in highly fragmented regions in Costa Rica
Abstract: Mapping of land use and forest cover and assessing their changes is essential in the design of strategies
to manage and preserve the natural resources of a country, and remote sensing have been extensively used
with this purpose. By comparing four classification algorithms and two types of satellite images, the objective
To cite this article: Ávila-Pérez, I.D., Ortiz-Malavasi, E., Soto-Montoya, C., Vargas-Solano, Y., Aguilar-Arias, H., Miller-Granados, C. 2020.
Evaluation of four classification algorithms of Landsat-8 and Sentinel-2 satellite images to identify forest cover in highly fragmented regions
in Costa Rica. Revista de Teledetección, 57, 37-49. https://doi.org/10.4995/raet.2020.13340
*
Corresponding author: ivandimitri1995@gmail.com
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 37
Ávila-Pérez et al.
of the research was to identify the type of algorithm and satellite image that allows higher global accuracy in
the identification of forest cover in highly fragmented landscapes. The study included a treatment arrangement
with three factors and six randomly selected blocks within the Huetar Norte Zone in Costa Rica. More accurate
results were obtained for classifications based on Sentinel-2 images compared to Landsat-8 images. The best
classification algorithms were Maximum Likelihood, Support Vector Machine or Neural Networks, and they yield
better results than Minimum Distance Classification. There was no interaction among image type and classification
methods, therefore, Sentinel-2 images can be used with any of the three best algorithms, but the best result was
the combination of Sentinel-2 and Support Vector Machine. An additional factor included in the study was the
image acquisition date. There were significant differences among months during which the image was acquired
and an interaction between the classification algorithm and this factor was detected. The best results correspond
to images obtained in April, and the lower to September, month that corresponds with the period of higher rainfall
in the region studied. The higher global accuracy identifying forest cover is obtained with Sentinel-2 images from
the dry season in combination with Maximum Likelihood, Support Vector Machine, and Neural Network image
classification methods.
Key words: Landsat 8, Sentinel-2, Maximum likelihood classification (MLC), Minimum distance classification
(MDC), Support vector machine (SVM), Neural net classification (NNC), Huetar Norte Zone.
lanzado en el 2015 (Li et al., 2018) y fue creado número de clases de uso y coberturas utilizadas,
con el propósito de tomar datos para el programa la resolución espacial y espectral de las imágenes,
de Monitoreo Global para la Seguridad Ambiental y de los algoritmos de clasificación utilizados
(GMES, por sus siglas en inglés) (Yang et al., (Olofsson et al., 2014, Ningthoujam et al., 2016).
2017). Este sensor permite obtener imágenes con
Dado que actualmente existe la posibilidad de
una resolución espacial de 10 m en las bandas
emplear imágenes satelitales de diferentes fuentes,
RGB y NIR (Mura et al., 2018), y una resolución
y mayor variedad de algoritmos de clasificación
temporal de 5 días (Yang et al., 2017); por lo que
de las mismas, el objetivo de la presente inves-
se espera que sean utilizadas ampliamente en
tigación fue comparar cuatro tipos de algoritmos
programas de monitoreo de la superficie terrestre,
de clasificación (MDC, MLC, SVM y NNC)
en especial si sus imágenes se complementan con
combinados con dos tipos de imagen satelital de
información obtenida de otros satélites enviados
mediana resolución (Landsat-8 y Sentinel-2), en la
por la ESA (Whyte et al., 2018).
identificación de la cobertura boscosa de regiones
Entre los métodos de interpretación de datos pro- con alta diversidad de usos de la tierra en Costa
venientes de sensores remotos se puede mencionar Rica.
el uso de los algoritmos de clasificación supervisa-
da los cuales presentan, por si mismos, un amplio 2. Materiales y métodos
espectro de posibilidades (Perumal y Bhaskaran,
2010). Por ejemplo, entre los algoritmos más an- 2.1. Área de estudio
tiguos se encuentra la Clasificación por Mínima
El área de estudio seleccionada correspondió a la
Distancia (MDC, por sus siglas en inglés) (Del
Zona Huetar Norte de Costa Rica. Fue seleccio-
Toro et al., 2015). Este clasificador cuenta con la
nada esta región por que posee un alto desarrollo
ventaja de que puede trabajar cuando se cuenta
agropecuario que se traduce a un paisaje con una
con un número limitado de áreas de entrenamiento
amplia variedad de usos y coberturas de la tierra
(Walton, 2015); o bien, cuando los histogramas
(Chassot et al., 2010). El área de estudio cuenta
de las bandas de una imagen no cuentan con una
con una extensión de 979 047 ha y se ubica en-
distribución normal (Murtaza y Romshoo, 2014).
tre las coordenadas geográficas 85°26′57″ y
Por otro lado, la Clasificación por Máxima 83°42′40″ longitud Oeste y 11°05′03″ y 10°10′47″
Verosimilitud (MLC, por sus siglas en inglés) es latitud norte. El clima de esta zona presenta una
uno de los clasificadores que ha sido más amplia temperatura media anual entre 14 y 28 °C y una
y exitosamente utilizado para la clasificación de precipitación media anual que varía entre 1500
coberturas y usos de la tierra (Shi y Xue, 2016). y 7000 mm. Según el sistema americano de cla-
No obstante, en los últimos años, los algoritmos sificación de suelos, en la región de estudio los
de inteligencia artificial (IA) y Machine-Learning, suelos más representativos son los correspondien-
como Máquinas de Vectores Soporte (SVM, por tes a los órdenes Andisoles, Entisoles, Histosoles,
sus siglas en inglés) y Redes Neuronales (NNC, Inceptisoles y Ultisoles (Mata, et al., 2010). En
por sus siglas en inglés), han presentado gran cuanto a las zonas de vida, en la Zona Huetar
auge. En el caso de SVM, este muestra un buen Norte se encuentran bosques húmedos tropicales;
rendimiento aun cuando se tiene una cantidad bosques muy húmedos tropicales, premontanos
reducida de áreas de entrenamiento (Mountrakis y montanos bajos, además de bosques pluviales
et al., 2010). Por otro lado, los clasificadores premontanos, montano bajos y montanos (CCT,
basados en redes neuronales presentan la ventaja 1993).
de que permiten trabajar con datos que no se ajus-
tan completamente a distribuciones estadísticas 2.2. Muestreo de campo y diseño
(Ndehedehe et al., 2013).
experimental
La utilidad de un mapa creado a partir de una clasi-
A partir de un mapa geográfico del área de estudio
ficación depende de su fiabilidad, ya que cualquier
se estableció una malla de 19 cuadrículas de 15 km
mapa realizado a través de detección remota se
por 15 km (225 km2), de las cuales se selecciona-
encuentra sujeto a errores de clasificación, y se
ron aleatoriamente seis cuadrículas que se usaron
conoce que estos errores varían dependiendo del
Tabla 1. Clasificación de las clases de uso del suelo según categorías en estudio.
Figura 1. Ubicación de los bloques del experimento junto con de las áreas de entrenamiento y validación.
imágenes para un mismo mes libre de nubes para tomados en la fase de muestreo de campo y la fo-
todos los bloques, en el experimento se introdujo tointerpretación de las imágenes de alta resolución
un factor adicional a analizar que corresponde al más cercanas a los años de estudio disponibles
mes en que se obtuvo la imagen. en la plataforma de Google Earth. En caso de
observarse en las imágenes, clases de uso no
En el caso de las imágenes Landsat seleccionadas,
identificadas en las visitas de campo, se procedió
se obtuvieron los valores de reflectancia de la
a la creación de áreas de entrenamiento para estas
superficie a través de una corrección atmosféri-
clases.
ca de todas las imágenes mediante el algoritmo
FLAASH (Matthew et al., 2000) en el software
ENVI 5.5. Para las imágenes Sentinel-2, debido 2.5. Algoritmos de clasificación
a que las imágenes descargadas de nivel 1 ya se utilizados
encontraban en valores de reflectancia arriba
En la clasificación de las imágenes se usaron cua-
de la atmósfera (TOA por sus siglas en inglés)
tro tipos de algoritmos, a saber: los que utilizan
(ESA, 2020); el preprocesado de estas no incluyó
la Máxima Verosimilitud (MLC), los de Mínima
correcciones atmosféricas, sino, únicamente una
Distancia (MDC), los de Máquinas de Vectores
modificación de la resolución espacial de las ban-
Soporte (SVM) y el de Redes Neuronales (NNC).
das 1, 5, 6, 7 8a, 9, 10, 11 y 12 a 10 m de manera
Las características de cada uno de los algoritmos
para que todas estas tuvieran un píxel con la misma
utilizados están descritas respectivamente por Shi y
resolución (10 m), y luego se procedió a la unión
Xue (2016), Wacker y Landgrebe (1972), Adankon
de dichas bandas mediante el software SNAP de-
y Cheriet (2015), y Ndehedehe et al., (2013).
sarrollado por la Agencia Espacial Europea (ESA,
por sus siglas en inglés). Seguidamente, a partir El alcance de la investigación no se enfocó en
de todas las imágenes seleccionadas y corregidas, la evaluación y optimización de cada uno de los
se seleccionaron y extrajeron las secciones con parámetros requeridos por los algoritmos, por lo
menor presencia de nubes para cada cuadrícula que los valores utilizados corresponden a los datos
de muestreo (escenas) mediante la herramienta por defecto del programa ENVI 5.5. En el caso
“Clipper” del programa Qgis 3.8, y finalmente se de MLC se utilizó un factor de escala de uno y
procedió a la eliminación de las nubes y las som- no se implementó un umbral de probabilidad. Para
bras de nubes mediante el algoritmo MFMask 4.0 MDC no se establecieron valores máximos para el
(Qiu et al., 2017). umbral de la desviación estándar ni para el error
de distancia máximo. El tipo de kernel implemen-
2.4. Clasificación de imágenes tado en SVM fue la Función de Base Radial; los
valores por defecto utilizados son detallados por
Para la determinación de la cobertura boscosa en Harris GeoSpatial Solution (2020). Por último,
cada una de las cuadrículas de muestreo, se dibu- se utilizó una red neuronal prealimentada de tipo
jaron áreas de entrenamiento (ROIs) usando el perceptrón multicapa. Los valores por defecto im-
programa ENVI 5.5. Las áreas de entrenamiento plementados para NNC pueden encontrarse en el
se crearon a partir de la información de los puntos estudio llevado a cabo por Kupková et al. (2017).
Tabla 3. Promedios de fiabilidad global de las clasificaciones de cobertura forestal según tipo de imagen satelital
Tipo de imagen satelital Fiabilidad promedio n Error estándar Prueba de Tukey α=0,05
Landsat-8 94,72 24 0,44 A
Sentinel-2 96,43 24 0,44 B
Nota: Medias con una letra desigual son significativamente diferentes (p < 0,05)
Tabla 4. Promedios de fiabilidad global de las clasificaciones de cobertura forestal según algoritmo de clasificación.
sección este de las clasificaciones por MLC, SVM en la fiabilidad global debido al mes en que
y NNC (Figura 3b, 3c y 3d) que las áreas iden- se tomó la imagen, por ejemplo, la Figura 4
tificadas corresponden en su mayoría a pastos; muestra que con el uso de imágenes de sep-
sin embargo, la clasificación por MDC cataloga tiembre se logra una menor fiabilidad, y aunque
como bosques dichas zonas (Figura 3a). Esto no existe diferencias en la fiabilidad para los
concuerda con los estadísticos de fiabilidad que meses de septiembre a diciembre, la prueba de
se muestran en la Tabla 4. Es posible determinar comparaciones múltiples de Tukey (α=0,05,
con una fiabilidad de 98,8% (p-valor=0,012) que DMS=3,61) muestra que existe diferencias en-
para los algoritmos MLC, SVM y NNC no se pre- tre las imágenes de septiembre y abril, lo cual
sentan diferencias significativas entre sí, pero son podría explicarse como diferencias de calidad y
estadísticamente superiores a los obtenidos con el nubosidad de las imágenes, ya que septiembre
algoritmo de MDC. Por otro lado, el análisis de coincide con la época lluviosa en la zona de
varianza muestra que no existe interacción entre estudio, y abril con la época seca.
los factores tipo de imagen y algoritmo de clasi-
El análisis de varianza señala que existe interac-
ficación (p-valor=0,53), pero es posible obtener
ción entre algoritmo de clasificación y mes en
resultados con una precisión ligeramente mayor
que se tomó la imagen (p=0,0081). La Tabla 5
mediante la combinación del uso las imágenes de
muestra que en los resultados de los métodos
Sentinel-2 con el algoritmo SVM.
MLC y NNC no varían debido al mes, mientras
que la combinación menos satisfactoria corres-
3.3. Análisis de los resultados de la ponde al uso del algoritmo MDC con imágenes
clasificación según mes de la imagen de septiembre. (Tukey DMS=5,11, α=0,05).
Los resultados obtenidos demuestran que exis-
ten diferencias significativas (p-valor=0,066),
Nota: Según prueba de comparaciones múltiples de Tukey, medias con una letra desigual son significativamente diferentes (p < 0,05).
Figura 4. Comparación de los resultados de fiabilidad global de las clasificaciones según mes de toma de la imagen.
Nota: Según prueba de comparaciones múltiples de Tukey, medias con una letra desigual son significativamente diferentes (p < 0,05).
Figura 5. Comparación de los resultados de fiabilidad global de la clasificación para la interacción de los factores mes de
toma de la imagen y algoritmo de clasificación.
permiten concluir que se logra una mayor fiabi- Booth, D., Oldfield, R. 1989. A comparison of
lidad en la identificación de la cobertura boscosa classification algorithms in terms of speed
en paisajes altamente fragmentados mediante los and accuracy after the application of a post-
algoritmos MLC, SVM y NNC, siendo SVM, classification modal filter. International
el algoritmo que tiende a presentar resultados Journal of Remote Sensing, 10(7), 1271-1276.
ligeramente superiores cuando se trabajan so- https://doi.org/10.1080/01431168908903965
bre imágenes Sentinel-2. Sin embargo, no hay CCT. 1993. Mapa Ecológico de Costa Rica, según el
diferencia estadística en relación con las otras sistema de clasificación de Zonas de Vida del mundo
técnicas, siempre y cuando no se lleve una optimi- de L. R. Holdridge. Bolaños, R; Watson; V. 1993 /
zación de los parámetros de los algoritmos NNC y Centro Científico Tropical (CCT) / esc: 1: 200 000).
SVM. Además, el algoritmo MDC muestra que no
En Atlas Digital de Costa Rica 2014. Editado por E.
es apropiado, ya que produce una sobreestimación
Ortiz. ITCR, Cartago, Costa Rica.
del área de bosques. Por otro lado, en cuanto al
tipo de imagen, los resultados obtenidos reflejan Centro Nacional de Información Geoambiental
que se logra una mejor identificación de la cober- (CENIGA). 2018. Sistema de Definición de Clases
tura boscosa mediante las imágenes Sentinel-2. de los Usos y Coberturas de la Tierra de Costa Rica.
San José, Costa Rica.
Agradecimientos Chassot, O., Chaves, H., Finengan, B., Monge, G. 2010.
Dinámica de paisaje en la Zona Norte de Costa Rica:
Los autores agradecen a la Vice-Rectoría de
implicaciones para la conservación del bosque tropical
Investigación y Extensión del ITCR por el apoyo
muy húmedo. Revista De Ciencias Ambientales,
financiero y administrativo para la realización del
39(1), 37-53. https://doi.org/10.15359/rca.39-1.5
proyecto: Derivación indirecta de la distribución
espacial y estado de desarrollo de los bosques Chazdon, R. 2014. Second growth: the promise of
secundarios en Costa Rica usando imágenes sateli- tropical forest regeneration in an age of deforestation.
tales de mediana resolución espacial. Igualmente se Chicago, University of Chicago Press. https://doi.
agradece al programa de becas CeNAT-CONARE y org/10.7208/chicago/9780226118109.001.0001
al laboratorio PRIAS del Centro Nacional de Alta
Choodarathnakara, A., Ashok, T., Koliwad, S., Patil, C.
Tecnología (CeNAT) de Costa Rica por la facilita-
2012. Mixed pixels: a challenge in remote sensing
ción de los equipos de cómputo de avanzada y el
data classification for improving performance.
uso de las licencias de los softwares requeridos para
International Journal of Advanced Research in
llevar a cabo esta investigación.
Computer Engineering and Technology (IJARCET),
1(9), 261-271.
Referencias
Deilmai, B., Ahmad, B., Zabihi, H. 2014. Comparison
Adankon, M., Cheriet, M. 2015. Support Vector of two classification methods (MLC and SVM) to
Machine. En Encyclopedia of Biometrics, Editada extract land use and land cover in Johor Malaysia.
por Stan Z. Li and Anil K. Jain, London: Springer.
En IOP Conference Series: Earth and Environmental
https://doi.org/10.1007/978-1-4899-7488-4_299
Science, Volume 20, 7th IGRSM International
Barrientos, O., Chaves, G. 2008. Región Huetar Remote Sensing & GIS Conference and Exhibition.
Norte. Oferta exportada actual y oferta potencial Kuala Lumpur, Malaysia, 22–23 de April. pp 1-7.
de productos agropecuarios alternativos. Último
acceso: 18 de marzo, 2020, de: https://web.archive. Del Toro, N., Gomariz, F., Cánovas, F., Alonso, F.
org/web/20140309040649/ http://www.procomer. 2015. Comparación de métodos de clasificación
com/contenido/descargables/investigaciones_ de imágenes de satélite en la cuenca del Río Argos
economicas/2008/Region_Huetar_Norte_final.pdf (Región de Murcia). Boletín de la Asociación de
Berlanga, C., Cervantes, A., Murúa, E. 2018. Geógrafos Españoles, 67, 327-347.
Estacionalidad y tendencias del bosque
tropical caducifolio de la cuenca Piaxtla-Elota- European Space Agency (ESA). 2020. Sentinel
Quelite y el área protegida Meseta de Cacaxtla, Online, Level C-1. Último acceso: 15 de setiembre,
México. Madera y bosques, 24(3), 1-16. 2020, de https://www.harrisgeospatial.com/docs/
https://doi.org/10.21829/myb.2018.2431576 SupportVectorMachine.html
Guo, J., Zhang, J., Zhang, Y., Cao, Y. 2008. Study on Matthew, M., Adler-Golden, S., Berk, A., Richtsmeier,
the comparison of the land cover classification S., Levine, R., Bernstein L., Acharya, P., Anderson,
for multitemporal MODIS images. Paper G., Felde, G., Hoke, M., Ratkowski, A., Burke, H.,
presented at the fifth International Workshop Kaiser, R., Miller, D. 2000. Status of Atmospheric
on Earth Observation and Remote Sensing Correction Using a MODTRAN4-based Algorithm.
Applications, Xi’an, China, 18-20 de Junio. pp 1-6. SPIE Proceedings, Algorithms for Multispectral,
https://doi.org/10.1109/EORSA.2008.4620305 Hyperspectral, and Ultraspectral Imagery VI, 4049:
199-207. https://doi.org/10.1117/12.410341
Harris Geospatial Solutions, Inc. 2020. Support
Vector Machine. Último acceso: 9 de julio, Mondal, A., Kundu, S., Kumar, S., Shukla, R., Mishra,
2020, de https://www.harrisgeospatial.com/docs/ P. 2012. Comparison of support vector machine and
SupportVectorMachine.html maximum likelihood classification technique using
satellite imagery. International Journal of Remote
Hermosilla, T., Wulder, M., White, J., Coops, N.,
Sensing and GIS, 1(2), 116-123.
Hobart, G. 2015. An integrated landsat time series
protocol for change detection and generation of Mountrakis, G., Im, J., Ogole, C. 2011. Support
annual gap-free surface reflectance composites. vector machines in remote sensing: A review.
Remote Sensing of Environment, 158, 220-234. ISPRS Journal of Photogrammetry and Remote
https://doi.org/10.1016/j.rse.2014.11.005 Sensing, 66(3), 247-259. https://doi.org/10.1016/j.
isprsjprs.2010.11.001
Kristollari, V., Karathanassi, V. 2020. Artificial neural
networks for cloud masking of Sentinel-2 ocean Mura, M., Bottalico, F., Giannetti, F., Bertani, R.,
images with noise and sunglint. International Giannini, R., Mancini, M., Orlandini, S., Travaglini,
Journal of Remote Sensing, 41(11), 4102-4135. D., Chirici, G. 2018. Exploiting the capabilities
https://doi.org/10.1080/01431161.2020.1714776 of the sentinel-2 multi spectral instrument for
predicting growing stock volume in forest
Kupková, L., Červená, L., Suchá, R., Jakešová, L.,
ecosystems. International Journal of Applied Earth
Zagajewski, B., Březina, S., Albrechtová, J. 2017.
Observation and Geoinformation, 66, 126-134.
Classification of Tundra Vegetation in the Krkonoše
https://doi.org/10.1016/j.jag.2017.11.013
Mts. National Park Using APEX, AISA Dual and
Sentinel-2A Data. European Journal of Remote Murtaza, K., Romshoo, S. 2014. Determining the
Sensing, 50(1), 29-46. https://doi.org/10.1080/2279 suitability and accuracy of various statistical
7254.2017.1274573 algorithms for satellite data classification.
International Journal of Geomatics and Geosciences,
Li, J., Yang, X., Maffei, C., Tooth, S., Yao, G. 2018.
4(4), 585-599.
Applying independent component analysis on
Sentinel-2 imagery to characterize geomorphological Ndehedehe, C., Ekpa, A., Simeon, O., Nse, O. 2013.
responses to an extreme flood event near the Understanding the Neural Network Technique for
non-vegetated Río Colorado terminus, Salar de Classification of Remote Sensing Data Sets. New
Uyuni, Bolivia. Remote Sensing, 10(5), 725-743. York Science Journal, 6(8), 26-33.
https://doi.org/10.3390/rs10050725
Nhamo, L., van Dijk, R., Magidi, J., Wiberg, D.,
Lu, D., Weng, Q. 2007. A survey of image Tshikolomo, K. 2018. Improving the accuracy
classification methods and techniques for of remotely sensed irrigated areas using post-
improving classification performance. International classification enhancement through UAV
Journal of Remote Sensing, 28(5), 823-870. capability. Remote Sensing, 10(5), 712-723.
https://doi.org/10.1080/01431160600746456 https://doi.org/10.3390/rs10050712
Madhura, M., Venkatachalam, S. 2015. Comparison of Ningthoujam, R., Tansey, K., Balzter, H., Morrison, K.,
supervised classification methods on remote sensed Johnson, S., Gerard, F., George, C., Burbidge, G.,
satellite data: an application in Chennai, South India. Doody, S., Veck, N., Llewellyn, G., Blythe, T. 2016.
International Journal of Science and Research Mapping forest cover and forest cover change with
(IJSR), 4(2), 1407-1411. airborne s-band radar. Remote Sensing, 8(7), 577-
597. https://doi.org/10.3390/rs8070577
Mata, R., Rosales, A., Vásquez, A., Sandoval, D. 2010.
Mapa digital de suelos, órdenes y subórdenes, escala Olofsson, P., Foody, G., Herold, M., Stehman, S.,
1:200 000. Centro de investigaciones Agronómicas Woodcock, C., Wulder, M. 2014. Good practices
(CIA), Faculta de Ciencias Agroalimentarias. UCR. for estimating area and assessing accuracy of land
En Atlas Digital de Costa Rica 2014. Editado por: E. change. Remote Sensing of Environment, 148, 42-
Ortiz, ITCR, Cartago, Costa Rica. 57. https://doi.org/10.1016/j.rse.2014.02.015
Perumal, K., Bhaskaran, R. 2010. Supervised Vogeler, J., Braaten, J., Slesak, R., Falkowski, M. 2018.
classification performance of multispectral images. Extracting the full value of the Landsat archive:
Journal of computing, 2(2), 124-129. Inter-sensor harmonization for the mapping of
Minnesota forest canopy cover (1973-2015). Remote
Pimple, U., Sitthi, A., Simonetti, D., Pungkul,
Sensing of Environment, 209, 363-374. https://doi.
S., Leadprathom, K., Chidthaisong, A. 2017.
org/10.1016/j.rse.2018.02.046
Topographic correction of Landsat TM-5 And
Landsat OLI-8 imagery to improve the performance Wacker, A., Langrebe, D. 1972. Minimum Distance
of forest classification in the mountainous terrain of Classification in Remote Sensing. En 1st Canadian
northeast Thailand. Sustainability, 9(2), 258-283. Symposium for Remote Sensing. Montreal, Canada,
https://doi.org/10.3390/su9020258 7-9 de febrero. spp.
Ponce, D., Donoso, P., Salas-Eljatib, C. 2017. Walton, A. 2015. Assessing the performance of different
Differentiating structural and compositional classification methods to detect inland surface
attributes across successional stages in chilean water extent. Bachelor Thesis. Institute of Geodesy,
temperate rainforests. Forests, 8(9), 329-343. Universidad de Stuttgart; Alemania.
https://doi.org/10.3390/f8090329
Whyte, A., Ferentinos, K., Petropoulos, G. 2018. A new
Qiu, S., He, B., Zhu, Z., Liao, Z., Quan, X. 2017. synergistic approach for monitoring wetlands using
Improving Fmask cloud and cloud shadow detection sentinels-1 and 2 data with object-based machine
in mountainous area for Landsats 4–8 images. learning algorithms. Environmental Modelling and
Remote Sensing of Environment, 199, 107-119. Software, 104, 40-54.
https://doi.org/10.1016/j.rse.2017.07.002
Yang, H., Pan, B., Wu, W., Tai, J. 2018. Field-based rice
Sader, S., Joyce. A 1988. Deforestation rates and trends classification in Wuhua county through integration
in Costa Rica, 1940 to 1983. Biotropica, 20, 11-19. of multi-temporal sentinel-1A and landsat-8 OLI
https://doi.org/10.2307/2388421 data. International Journal of Applied Earth
Observation and Geoinformation, 69, 226-236.
Sánchez, G., Rivard, B., Calvo, J., Moorthy, I. 2002.
https://doi.org/10.1016/j.jag.2018.02.019
Dynamics of tropical deforestation around national
parks: remote sensing of forest change on the Yang, X., Zhao, S., Qin, X., Zhao, N., Liang, L. 2017.
Osa Peninsula of Costa Rica. Mountain Research Mapping of urban surface water bodies from
and Development, 22(4), 352-358. https://doi. Sentinel-2 MSI imagery at 10 m resolution via
org/10.1659/0276-4741(2002)022[0352:DOTDAN NDWI-based image sharpening. Remote Sensing,
]2.0.CO;2 9(6), 596-603. https://doi.org/10.3390/rs9060596
Shen, H., Lin, Y., Tian, Q., Xu, K., Jiao, J. 2018. A Yin, H., Pflugmacher, D., Li, A., Li, Z., Hostert, P. 2018.
comparison of multiple classifier combinations Land use and land cover change in inner Mongolia-
using different voting-weights for remote sensing understanding the effects of china’s re-vegetation
image classification. International Journal of programs. Remote Sensing of Environment, 204,
Remote Sensing, 39(11), 3705-3722. https://doi.org 918-930. https://doi.org/10.1016/j.rse.2017.08.030
/10.1080/01431161.2018.1446566
Zhao, F., Huang, C., Goward, S., Schleeweis, K.,
Shi, X., Xue, B. 2016. Parallelizing maximum likelihood Rishmawi, K., Lindsey, M., Denning, E., Keddell,
classification on computer cluster and graphics L., Cohen, W., Yang, Z., Dungan, J., Michaelis,
processing unit for supervised image classification. A. 2018. Development of Landsat-based annual
International Journal of Digital Earth, 10(7), 737- US forest disturbance history maps (1986-2010)
748. in support of the North American Carbon Program
(NACP). Remote Sensing of Environmen, 209, 312-
Topaloğlu, R., Sertel, E., Musaoğlu, N., 2016.
326. https://doi.org/10.1016/j.rse.2018.02.035
Assessment of classification accuracies of sentinel-2
and landsat-8 data for land cover/use mapping. Zhu, Z., Woodcock, C. 2012. Object-based cloud
International Archives of the Photogrammetry. and cloud shadow detection in Landsat imagery.
Remote Sensing and Spatial Information Sciencies, Remote Sensing of Environment, 118, 83-94.
XLI-B8, 1055-1059. https://doi.org/10.5194/ https://doi.org/10.1016/j.rse.2011.10.028
isprsarchives-XLI-B8-1055-2016
Vega, M., Alvarado, R. 2019. Análisis de las series
de tiempo de variables biofísicas para cuatro
ecorregiones de Guanacaste, Costa Rica. Revista
de Ciencias Ambientales, 53(2), 60-96. https://doi.
org/10.15359/rca.53-2.4
CASO PRÁCTICO
Resumen: Los ecosistemas altoandinos, como los pastizales y las turberas, son frágiles y, debido a los efectos
del cambio climático, su sostenibilidad está en peligro. Un factor clave que obstaculiza los esfuerzos de gestión
sostenible del gobierno y las comunidades es la falta o escasez de datos eco-hidrológicos y climáticos in situ. En
ese sentido, las técnicas de teledetección ofrecen una poderosa alternativa para la evaluación de la evolución de
esos ecosistemas, al proporcionar una visión holística del territorio. El objetivo de este trabajo es determinar la
evolución espacial y temporal de la temperatura atmosférica local de la microcuenca Apacheta en Ayacucho en los
últimos 34 años, utilizando la temperatura superficial del suelo (TSS) como aproximación. Para ello, se utilizaron
los datos térmicos de la serie Landsat (sensores TM, ETM+ y TIRS), que abarcan el período comprendido entre
1985 y 2018. Las estimaciones de TSS se realizaron a partir de la corrección de emisividad de las temperaturas de
brillo a nivel del techo de la atmósfera, considerando el efecto atmosférico despreciable debido a las condiciones
de alta transmisividad atmosférica de la zona de estudio. Los resultados muestran una tendencia positiva de la
TSS con un aumento de 4,9 °C, equivalente al 27,5% de la TSS. Las tendencias son más altas (5,8 °C) en las zonas
nevadas (equivalente al 35,3% de la TSS en toda la microcuenca). La TSS en la zona de nieve explica el 83,6% del
comportamiento de la cubierta de nieve derivado del NDSI, con una superficie decreciente a medida que la TSS
aumenta.
Palabras clave: temperatura de brillo, NDSI, fracción de cubierta vegetal, emisividad, temperatura superficial del suelo.
Spatial and temporal analysis of surface temperature in the Apacheta micro-basin using Landsat
thermal data
Abstract: High Andean ecosystems, such as grasslands and peatlands, are fragile and, due to the effects of climate
change, their sustainability is being jeopardized. A key factor hampering sustainable management efforts from the
government and communities, is the lack or scarcity of in-situ eco-hydrological and climate data. In that sense,
remote sensing techniques offers a powerful alternative for the assessment of the evolution of these ecosystems,
by providing a holistic view of the territory. The objective of this work is to determine both the spatial and temporal
evolution of the local atmospheric temperature of the Apacheta micro-basin in Ayacucho over the past 34 years,
using the soil surface temperature (SST) as a proxy. For this, thermal data of Landsat series (TM, ETM+ and TIRS
sensors), covering the period from 1985 to 2018, were used. The TSS estimates were made from the emissivity
To cite this article: Moncada, W., Willems, B. 2020. Spatial and temporal analysis of surface temperature in the Apacheta micro-basin using
Landsat thermal data. Revista de Teledetección, 57, 51-63. https://doi.org/10.4995/raet.2020.13855
*
Corresponding author: wilmer.moncada@unsch.edu.pe
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 51
Moncada y Willems
correction of the brightness temperatures at the top of the atmosphere, considering the negligible atmospheric
effect due to the conditions of high atmospheric transmissivity in the study area. The results show a positive trend
of the SST with an increase of 4.9 °C, equivalent to 27.5% of the SST. Trends are higher (5.8 °C) in the snowy areas
(equivalent to 35.3% of the TSS in the whole micro-basin). The SST in the snow area explains the 83.6% of the
behavior of the snow cover derived by the NDSI, with a decreasing surface as SST increase.
Key words: brightness temperature, NDSI, vegetation cover fraction, emissivity, soil surface temperature.
Tabla 1. Características y comparación del cambio de ruido equivalente en la temperatura de brillo (NEΔT) con los rangos
radiométricos de la banda térmica de los sensores TM, ETM+ y TIRS.
Tabla 2. Emisividad de la superficie del suelo para las distintas clases según el rango de valores del NDVI.
TSS-1985 (TM) TSS-1986 (TM) TSS-1987 (TM) TSS-1988 (TM) TSS-1989 (TM) TSS-1990 (TM)
TSS-1991 (TM) TSS-1992 (TM) TSS-1993 (TM) TSS-1994 (TM) TSS-1995 (TM) TSS-1996 (TM)
TSS-1997 (TM) TSS-1998 (TM) TSS-1999 (TM, ETM+) TSS-2000 (TM, ETM+) TSS-2001 (TM, ETM+) TSS-2002 (TM, ETM+)
TSS-2003 (TM, ETM+) TSS-2004 (TM) TSS-2005 (TM) TSS-2006 (TM) TSS-2007 (TM) TSS-2008 (TM)
TSS-2009 (TM) TSS-2010 (TM) TSS-2011 (TM) TSS-2012 (TM) TSS-2013 (OLI) TSS-2014 (OLI)
Figura 3. Mapas de la distribución espacial de la TSS media anual en la microcuenca Apacheta, a partir de la banda térmica TM,
ETM+ y TIRS, desde 1985 hasta 2018.
Tabla 3. Determinación de las anomalías estandarizadas de la TSS media anual en la microcuenca Apacheta, a partir de la
banda térmica de los sensores TM, ETM+ y TIRS, desde 1985 hasta 2018.
Año xi: TSS (°C) ( xi-X ) ( xi-X )2 ( xi-X )/σ Año xi: TSS (°C) ( xi-X ) ( xi-X )2 ( xi-X )/σ
1985 8,7839 -9,0336 81,6063 -2,6382 2002 17,7325 -0,0850 0,0072 -0,0248
1986 16,8366 -0,9809 0,9621 -0,2864 2003 21,1426 3,3251 11,0564 0,9711
1987 18,6221 0,8046 0,6473 0,2350 2004 17,5664 -0,2511 0,0630 -0,0733
1988 20,4532 2,6357 6,9471 0,7697 2005 23,2719 5,4545 29,7513 1,5929
1989 18,3475 0,5300 0,2809 0,1548 2006 19,8522 2,0347 4,1401 0,5942
1990 12,4017 -5,4158 29,3305 -1,5816 2007 14,0208 -3,7967 14,4149 -1,1088
1991 15,1963 -2,6211 6,8704 -0,7655 2008 20,9819 3,1644 10,0136 0,9241
1992 20,1154 2,2979 5,2804 0,6711 2009 15,8079 -2,0096 4,0385 -0,5869
1993 19,0513 1,2338 1,5222 0,3603 2010 21,0752 3,2577 10,6127 0,9514
1994 12,0117 -5,8057 33,7066 -1,6955 2011 19,5684 1,7509 3,0657 0,5113
1995 11,9686 -5,8488 34,2089 -1,7081 2012 18,7128 0,8953 0,8016 0,2615
1996 13,4172 -4,4003 19,3623 -1,2851 2013 18,4914 0,6739 0,4541 0,1968
1997 18,4398 0,6224 0,3873 0,1818 2014 19,2070 1,3895 1,9306 0,4058
1998 19,8374 2,0199 4,0801 0,5899 2015 18,0528 0,2353 0,0554 0,0687
1999 22,7023 4,8849 23,8619 1,4266 2016 20,9838 3,1664 10,0259 0,9247
2000 16,9628 -0,8547 0,7305 -0,2496 2017 22,8465 5,0290 25,2911 1,4687
2001 13,0310 -4,7865 22,9104 -1,3978 2018 18,3013 0,4838 0,2341 0,1413
X: Promedio 17,8175 Desviación Estándar Muestral (σ) = 3,42419
a 1989, en 1992,1993, 1997 a 1999, 2002, 2003, En la serie de tiempo de la Figura 5 se muestra
2005, 2006, 2008, 2010 a 2018, destacando 2005 la tendencia de la media anual de la TSSM, cuya
con un valor medio anual de 23,3 °C como uno de línea de tendencia sigue un significativo aumento,
los años más calurosos durante el periodo de estu- de acuerdo con el modelo de la Ecuación 6.
dio. Las anomalías negativas en rojo se dan en los
TSSM(°C)=0,1486×Año – 279,59 (6)
años 1985, 1986, 1990, 1991, 1994 a 1996, 2000,
2001, 2004, 2007 y 2009, resaltando 1985 con un
Este modelo estima que entre 1985 y 2018 la
valor medio anual de 8,8 °C como uno de los años
TSSM se ha incrementado en 4,9 °C, equivalente
más fríos durante todo el periodo de estudio. El
a un 27,5% de la media anual de la TSSM.
grado de fiabilidad de los resultados es del 96,7%
equivalente a un error del 3,3%. La TSS en la zona nival de la microcuenca
Apacheta corresponde a zonas con altitudes por
Figura 4. Anomalías estandarizadas de la TSSM media anual, desde 1985 hasta 2018.
encima de los 4800 m s.n.m. (TSSN), su cálculo valor medio de la TSSN, en los años con menor y
se realiza a partir de los mapas de distribución es- mayor TSSN de la microcuenca, respectivamente.
pacial de la TSS de la Figura 3, desde 1985 a 2018,
La Figura 6 muestra las anomalías estandarizadas
los cuales se registran en la Tabla 4, siendo el valor
de la media anual de la TSSN en la microcuenca,
medio de la TSSN de 16,4 °C con una desviación
donde se observan anomalías positivas en amarillo
estándar de 3,8 °C. También se ha determinado el
con un significativo incremento de 1987 a 1989,
valor de las anomalías estandarizadas de la TSSN
en 1992, 1993, 1997 a 1999, 2003 a 2006, 2008,
para cada año, las mismas que describen un incre-
2010 a 2018, destacando 1999 con un valor medio
mento o disminución por encima o por debajo del
Tabla 4. Determinación de las anomalías estandarizadas de la TSS media anual en la zona nival, por encima de los
4800 m s.n.m., de la microcuenca Apacheta, a partir de la banda térmica de los sensores TM, ETM+ y TIRS, desde 1985
hasta 2018.
Año xi: Área(ha) ( xi-X ) ( xi-X )2 ( xi-X )/σ Año xi: TSS (°C) ( xi-X ) ( xi-X )2 ( xi-X )/σ
1985 6,8921 -9,4792 89,8561 -2,4822 2002 15,4281 -0,9433 0,8897 -0,2470
1986 14,6205 -1,7509 3,0657 -0,4585 2003 20,0783 3,7069 13,7412 0,9707
1987 16,7071 0,3357 0,1127 0,0879 2004 16,9046 0,5332 0,2843 0,1396
1988 19,0745 2,7031 7,3066 0,7078 2005 22,8281 6,4567 41,6892 1,6907
1989 16,5150 0,1436 0,0206 0,0376 2006 18,9188 2,5475 6,4896 0,6671
1990 9,7352 -6,6362 44,0393 -1,7377 2007 10,5626 -5,8088 33,7423 -1,5210
1991 13,6013 -2,7701 7,6735 -0,7254 2008 19,7854 3,4140 11,6553 0,8940
1992 17,7891 1,4177 2,0099 0,3712 2009 13,7429 -2,6285 6,9091 -0,6883
1993 16,8261 0,4547 0,2068 0,1191 2010 19,9077 3,5363 12,5055 0,9260
1994 10,6844 -5,6869 32,3413 -1,4891 2011 17,8399 1,4685 2,1565 0,3845
1995 10,8783 -5,4931 30,1743 -1,4384 2012 17,3542 0,9828 0,9660 0,2574
1996 12,4697 -3,9017 15,2229 -1,0217 2013 17,1937 0,8223 0,6761 0,2153
1997 16,9255 0,5541 0,3070 0,1451 2014 17,4743 1,1029 1,2165 0,2888
1998 18,6515 2,2801 5,1991 0,5971 2015 17,8494 1,4780 2,1845 0,3870
1999 23,2161 6,8448 46,8507 1,7923 2016 19,5587 3,1873 10,1588 0,8346
2000 15,5387 -0,8327 0,6934 -0,2180 2017 22,3562 5,9848 35,8177 1,5671
2001 11,0723 -5,2991 28,0802 -1,3876 2018 17,6468 1,2754 1,6268 0,3340
X: Promedio 16,3714 Desviación Estándar Muestral (σ) = 3,81895
anual de 23,2 °C como uno de los años más calu- En la serie de tiempo de la Figura 7 se muestra
rosos durante el periodo de estudio en dicha zona. la tendencia de la media anual de la TSSN, con
Las anomalías negativas en rojo se dan en los una línea de tendencia que sigue un significativo
años 1985, 1986, 1990, 1991, 1994 a 1996, 2000 a incremento según el modelo de la Ecuación 7.
2002, 2007 y 2009, resaltando al año 1985 con un
TSSN(°C)=0,1751×Año – 334,18 (7)
valor medio anual de 6,9 °C como el más frío de
todos los años durante el periodo de estudio, tanto Este modelo estima que entre 1985 y 2018 la TSSN
en la zona nival como en toda la microcuenca. El se ha incrementado notablemente (en 5.8 °C)
grado de fiabilidad de los resultados es del 95,9%, equivalente a un 35,3% de la media anual de la
equivalente a un error del 4,1%. TSSM. Es decir, la TSSN es mayor que la TSSM
en 0,9 °C, lo cual significa que la permanencia de
nieve en la zona nival está siendo amenazada por TSSN, al contrario, en el 2007 la TSSN ha sido
la influencia directa de la TSS. mucho menor que la TSSM, destacando que la va-
riación de diferencias (∆T) ha ido aumentando en
La TSSN sigue el mismo comportamiento que
el tiempo con una tendencia positiva que obedece
la TSSM, por lo que en la Figura 8 se muestra el
al modelo de la Ecuación 8.
comportamiento de la variación de la diferencia
∆T=TSSN – TSSN, en donde se observa que la ∆T=0,0265×Año – 54,584 (8)
TSSM mantiene valores mayores con respecto a la
Este modelo se valida aplicando las pruebas no
TSSN a excepción del año 1999, donde la TSSN
paramétricas de análisis de varianza (ANOVA)
es mayor que la TSSM, asimismo se observa que
y la prueba de Mann-Whitney-Wilcoxon, ello
en 2005 y 2015 la TSSM es muy próxima a la
Figura 8. Tendencia de la diferencia entre la TSSN y la TSSM, desde 1985 hasta 2018.
Figura 9. Correlación entre el Área de cobertura de nieve con respecto a la TSSN, desde 1985 hasta 2018.
sugiere plantear la hipótesis nula H0, esto es, no Las series temporales de la TSSM y de la TSSN
hay diferencia significativa entre la TSSM y la mantienen el mismo comportamiento, para lo cual
TSSN; la hipótesis alternativa H1 indica que si las pruebas no paramétricas ANOVA y Mann-
hay diferencia significativa entre la TSSM y la Whitney-Wilcoxon demuestran que ambos grupos
TSSN. La aplicación de ANOVA a los dos grupos de valores no tienen diferencias significativas.
de valores da un p-valor = 0,11, el cual es mayor Asimismo, la variación de diferencia (∆T) entre
al nivel de significancia α=0,05, por lo que se la TSSN y la TSSM muestra que ambas siguen
acepta la hipótesis nula, lo que significa que no la misma tendencia positiva y que la TSSN está
hay diferencia significativa entre los valores de incrementando en los últimos años más que la
TSSM y la TSSN. Del mismo modo, la aplicación TSSM.
de la prueba Mann-Whitney-Wilcoxon da un
El comportamiento de la TSSN influye de manera
p-valor = 0,27, el cual también es mayor que el
directa en la CN, según el modelo representado
nivel de significancia, confirmando que no hay
en la Ecuación 9, donde la TSSN explica en un
diferencia significativa entre ambos grupos de
83,6% la variación de la CN, que a su vez expe-
temperaturas, de esta manera la TSSN y la TSSM
rimenta un fuerte decaimiento a consecuencia del
siguen el mismo comportamiento.
progresivo incremento de la TSSN en la micro-
La cobertura de nieve de la zona nival por encima cuenca Apacheta desde 1985 a 2018.
de los 4800 m s.n.m. (CN) se calcula a partir del
NDSI en las imágenes Landsat del mismo periodo Agradecimientos
en estudio. La correlación entre la CN y la TSSN
se muestra en la Figura 9, se observa que la res- Este trabajo ha sido posible gracias al apoyo
puesta nival de la CN obedece al comportamiento financiero de los proyectos “Strengthening resi-
de la TSSN según el modelo de la Ecuación 9. lience of Andean river basin headwaters facing
global change” (PGA_084063) y “Agua-Andes:
CN = 5,2111(TSSN)2 – 234,76 (TSSN) + 2631,2 (9)
Ecological infrastructure strategies for enhancing
Significa que la TSSN explica en un 83,6% el water sustainability in the semi-arid Andes” fi-
comportamiento de la CN, la misma que experi- nanciados por el Programa PEER de USAID, y el
menta un fuerte decaimiento conforme aumenta la proyecto “International Water Security Network”,
TSSN. financiado por el Lloyd’s Register Foundation.
Los autores agradecen a la Universidad Nacional
4. Conclusiones de San Cristóbal de Huamanga por su incondicio-
nal apoyo.
La construcción de los mapas de distribución
espacial del comportamiento anual de la TSS en Referencias
la microcuenca Apacheta permite identificar y
diferenciar las zonas frías de las calientes, además Aguilar, H., Mora, R., Vargas, C. 2014. Metodología
de su variación en el tiempo. La cuantificación de para la corrección atmosférica de imágenes
Aster, Rapideye, Spot 2 y Landsat 8 con el
las anomalías positivas y negativas de la TSSM
módulo Flaash del software Envi. Revista
muestran el mismo comportamiento que la TSSN, Geográfica de América Central, 2(53), 39-59.
demostrando que entre el 2010 y el 2018 existe https://doi.org/10.15359/rgac.2-53.2
un fuerte incremento de ambas. De igual manera,
Aguilar, J., Espinoza, R., Espinoza, J.C., Rojas, J.,
la tendencia en la serie de tiempo de la TSSM
Willems, B.L., Leyva, W.M. 2019. Elevation-
desde 1985 al 2018 demuestra que hay un incre- dependent warming of land surface temperatures in
mento notable de 4,9 °C equivalente al 27,5% de the Andes assessed using MODIS LST time series
la TSSM, siendo menor que el incremento de la (2000–2017). International Journal of Applied
TSSN de 5,8 °C equivalente al 35,3% de la TSSM. Earth Observation and Geoinformation, 77, 119-
Este resultado indica que la permanencia de nieve 128. https://doi.org/10.1016/j.jag.2018.12.013
en la zona nival está siendo afectada por los signi- Araghi, A., Mousavi-Baygi, M., Adamowski, J. 2017.
ficativos incrementos de temperatura en el suelo. Detecting soil temperature trends in Northeast Iran
from 1993 to 2016. Soil and Tillage Research, 174,
177-192. https://doi.org/10.1016/j.still.2017.07.010
Artis, D. A., Carnahan, W.H. 1982. Survey of emissivity Jiménez-Muñoz, J.C., Sobrino, J.A., Skoković,
variability in thermography of urban areas. D., Mattar, C., Cristóbal, J. 2014. Land Surface
Remote Sensing of Environment, 12(4), 313-329. Temperature Retrieval Methods From Landsat-8
https://doi.org/10.1016/0034-4257(82)90043-8 Thermal Infrared Sensor Data. IEEE Geoscience
Arvidson, T., Barsi, J., Jhabvala, M., Reuter, D. and Remote Sensing Letters, 11(10), 1840-1843.
2013. Landsat and Thermal Infrared Imaging. https://doi.org/10.1109/LGRS.2014.2312032
En C. Kuenzer & S. Dech (Eds.), Thermal Mendoza, J.N. 2014. Implementación de un
Infrared Remote Sensing: Sensors, Methods, método operativo para la estimación de
Applications (pp. 177-196). Springer Netherlands. la temperatura superficial terrestre en la
https://doi.org/10.1007/978-94-007-6639-6_9 Región Callao usando datos de las imágenes
Avdan, U., Jovanovska, G. 2016. Algorithm satelitales. Universidad Nacional del Callao, 53.
for Automated Mapping of Land Surface http://repositorio.unac.edu.pe/handle/UNAC/966
Temperature Using Landsat 8 Satellite Data. Moncada, W., Pereda, A., Aldana, C., Masias, M.,
Journal of Sensors, 2016, 1480307-1480307. Jiménez, J. 2015. Cuantificación hidrográfica de la
https://doi.org/10.1155/2016/1480307
cuenca del río Cachi-Ayacucho, mediante imágenes
Carlson, T.N., Ripley, D.A. 1997. On the relation between satelitales. Instituto de Investigación Científica e
NDVI, fractional vegetation cover, and leaf area index. innovación Tecnológica de la UNSCH, II.
Remote Sensing of Environment, 62(3), 241-252.
Moncada, W., Willems, B., Rojas, J. 2020. Estimación
https://doi.org/10.1016/S0034-4257(97)00104-1
de estadíos estacionales a partir de parámetros
Caselles, E., Abad, F.J., Valor, E., Caselles, V. climáticos medidos en la estación meteorológica
2011. Automatic Generation of Land Surface de la microcuenca Apacheta, Región Ayacucho,
Emissivity Maps. Climate Change - Research and 2000 al 2018. Revista de Investigación de Física.
Technology for Adaptation and Mitigation, 15. UNMSM, 23(2), 17-25. https://fisica.unmsm.edu.pe/
https://doi.org/10.5772/24968 rif/previo_files/2020-2/03moncada.pdf
Chi, Y., Sun, J., Sun, Y., Liu, S., Fu, Z. 2020. Multi- Pereda, A., Moncada, W., Verde, L. 2018. Respuesta
temporal characterization of land surface nival de la cabecera de cuenca Cachi-Apacheta de
temperature and its relationships with normalized Ayacucho: Vol. I. Editorial Académica Española.
difference vegetation index and soil moisture https://www.morebooks.shop/store/es/book/
content in the Yellow River Delta, China. respuesta-nival-de-la-cabecera-de-cuenca-cachi-
Global Ecology and Conservation, 23, e01092.
apacheta-de-ayacucho/isbn/978-620-2-12620-5
https://doi.org/10.1016/j.gecco.2020.e01092
Quispe, B.J., Révolo, R.H. 2020. Temperatura
Dozier, J. 1989. Spectral signature of alpine snow
superficial y estado de la vegetación del bosque de
cover from the Landsat thematic mapper.
Polylepis spp, distrito de San Marcos de Rocchac,
Remote Sensing of Environment, 28, 9-22.
Huancavelica – Perú. Enfoque UTE, 11(3), 69-86.
https://doi.org/10.1016/0034-4257(89)90101-6
https://doi.org/10.29019/enfoque.v11n3.592
Gutman, G., Ignatov, A. 1998. The derivation of the
Rudjord, Due, 2012. Evaluation of FLAASH
green vegetation fraction from NOAA/AVHRR data
for use in numerical weather prediction models. atmospheric correction (SAMBA/10/12; p. 24).
International Journal of Remote Sensing, 19(8), 1533- Norwegian Computing Center. http://publications.
1543. https://doi.org/10.1080/014311698215333 nr.no/1338298623/Rudjord-Trier_FLAASH_2012.
pdf
Huete, A., Didan, K., Miura, T., Rodriguez, E.P.,
Gao, X., Ferreira, L.G. 2002. Overview of Santos, B. 2016. Cubierta Nival y Temperaturas
the radiometric and biophysical performance de Superficie en Sierra Nevada a través del
of the MODIS vegetation indices. Remote tratamiento digital de imágenes de satélite
Sensing of Environment, 83(1), 195-213. [Tesis Doctoral, Universitat de Barcelona].
https://doi.org/10.1016/S0034-4257(02)00096-2 http://diposit.ub.edu/dspace/handle/2445/108441
ITT Visual Information Solutions. 2009. ENVI Sayão, V.M., Demattê, J.A.M., Bedin, L.G.,
Atmospheric Correction Module: QUAC and Nanni, M.R., Rizzo, R. 2018. Satellite land
FLAASH User’s Guide, Version 4.7, pp. 44. surface temperature and reflectance related
http://www.harrisgeospatial.com/portals/0/pdfs/ with soil attributes. Geoderma, 325, 125-140.
envi/Flaash_Module.pdf https://doi.org/10.1016/j.geoderma.2018.03.026
CASO PRÁCTICO
Resumen: La conectividad estructural es una medida del cambio espacio-temporal, que recae en el desplazamiento
de las especies en el paisaje y la disponibilidad de hábitat; estas modificaciones se han documentado para
ecosistemas de alta montaña en Colombia (páramo y bosque altoandino), causados por las actividades agrícolas
y otras económicas que afectan su integridad. El objetivo de este estudio fue evaluar la dinámica del cambio,
entre coberturas vegetales (1987-2018) en los páramos de Guacheneque y Los Cristales (Boyacá-Cundinamarca,
Colombia). Se utilizaron imágenes de los sensores Landsat 4 y 8; se realizaron pre y pos-procesamientos
(clasificación supervisada y verificación de campo) con ArcGIS y ERDAS. Para estimar la conectividad estructural
se calcularon métricas de diversidad, composición y configuración del paisaje (Fragstats v4.2.1). La fiabilidad
temática fue del 88%; las coberturas Mosaico de pastos y cultivos (Mpc), Herbazal denso de tierra firme (HdTf)
y Bosque abierto alto (Baa), aumentaron en 31 años (288, 24 y 165 ha respectivamente), mientras, el Arbustal
denso (Ad) disminuyó 477 ha. La distancia entre teselas de Mpc y Ad incrementó (de 150,74 a 170,70 m y de
196,96 a 236,64 m respectivamente), y disminuyó para Baa (de 166,74 a 159,27 m); la conectividad aumentó para
el Mpc y Baa, y disminuyó para el Ad. Los páramos evaluados, conforman un paisaje con uso de suelo frecuente
e intensivo, efecto de largas trayectorias de ocupación del territorio. La dinámica de conectividad estructural
registró un aumento en las actividades agrícolas (transición páramo-pastizal); éstas han causado tensiones y
contradicciones a la delimitación de páramos, pérdida local del área natural, disminución del tamaño medio de
las teselas, distancia entre núcleos y aumento de la relación perímetro/superficie. Estos resultados corroboran el
aislamiento y pérdida del hábitat, cuya incidencia negativa recae sobre la biodiversidad del complejo de páramos
Rabanal-Río Bogotá.
Palabras clave: conectividad, fragmentación, páramo, bosque alto andino, dinámicas espacio-temporales.
To cite this article: Forero-Gómez, Y.K., Gil-Leguizamón, P.A., Morales-Puentes, M.E. 2020. Structural connectivity between
the Páramos of Guacheneque and Los Cristales, Rabanal-Río Bogotá complex, Colombia. Revista de Teledetección, 57, 65-77.
https://doi.org/10.4995/raet.2020.13946
*
Corresponding author: yara.forero@uptc.edu.co
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 65
Forero-Gómez et al.
Structural connectivity between the Páramos of Guacheneque and Los Cristales, Rabanal-Río
Bogotá complex, Colombia
Abstract: Structural connectivity is a measure of the spatio-temporal changes that affect the movement of species
between elements of the landscape and availability of habitat; these modifications that have been documented
for high mountain ecosystems in Colombia (páramo and high Andean forest) and are caused by agricultural and
other economic activities that affect their integrity. The objective of this study was to evaluate the dynamics of the
changes between plant cover (1987-2018) in the Guacheneque and Los Cristales páramos (Boyacá-Cundinamarca,
Colombia). Images from Landsat 4 and 8 sensors were used. Pre and post-processing (supervised classification
and field verification) were performed with ArcGIS and ERDAS. To estimate structural connectivity, metrics of
landscape diversity, composition and configuration were calculated (Fragstats v4.2.1). Thematic reliability was
88%. Mosaic covering of pastures and crops (Mpc – 288 ha), dense grassland of firm ground (HdTf- 24 ha) and high
open forest (Baa-165 ha), increased in 31 years, while dense bush (Ad) decreased 477 ha. The distance between
tiles of Mpc and Ad increased (from 150.74 m to 170.70 m and from 196.96 m to 236.64 m respectively), and
decreased for Baa (from 166.74 m to 159.27 m). Connectivity increased for Mpc and Baa, and decreased for Ad.
The evaluated páramos make up a landscape with frequent and intensive land use, the effect of a long history of
occupation of this territory. The dynamics of structural connectivity registered an increase in agricultural activities
(páramo-grasslands transition). These have caused tensions and contradictions in the delimitation of páramos, a
local loss of the natural area, a decrease in the average size of the tiles, and an increase in the perimeter /surface
ratio distance between nuclei. The results corroborate the isolation and loss of habitat, the negative impacts on the
biodiversity of the Rabanal-Río Bogotá páramos complex.
Key words: connectivity, fragmentation, páramo, high andean forest, spatio-temporal dynamics.
Figura 1. Ubicación espacial de los páramos de Guacheneque y Los Cristales (Boyacá -Cundinamarca).
Figura 2. Mapas temáticos de coberturas vegetales (1987 y 2018) resultado de la clasificación supervisada. Arbustal denso
(Ad), Bosque abierto alto (Baa), Herbazal denso de tierra firme (HdTf) y Mosaico de pastos y cultivos (Mpc).
aproximadamente del 42%, debido a la similitud (1987: 376; 2018: 396). La densidad de riqueza de
en los niveles de reflectancia entre esta cobertura parches se mantiene (PRD: 0,0085), al igual que
y la de Mosaico de pastos y cultivos en zonas ad- la riqueza de los mismos (PR: 4), ya que corres-
yacentes; la baja precisión en estas coberturas fue ponden a las cuatro coberturas identificadas en el
validada a través de la verificación de campo y el periodo evaluado.
ajuste en las salidas gráficas.
Composición: la cobertura con mayor área en
La fiabilidad del productor (que mide la probabili- 1987 y en 2018 es el Mosaico de pastos y cultivos
dad de que un punto de referencia sea clasificado (Mpc, Figura 3 - C y D); en 31 años, esta cobertura
correctamente) arrojó valores superiores al 90% aumentó 288 ha, con 15.190,11 ha en 2018 (48%
para las categorías de Bosque abierto alto y de área total), evidenciado en el sector occidental
Mosaico de pastos y cultivos. En general, esta entre las áreas naturales de Guacheneque y Los
fiabilidad fue superior al 83% para todas las Cristales. El Herbazal denso de tierra firme no
coberturas; mientras que el índice Kappa fue de arbolado (páramo – HdTf), y el Bosque abierto
aproximadamente el 88%, entre la veracidad de la alto (Baa), aumentaron aproximadamente en 24 y
clasificación supervisada con relación a la infor- 165 ha para 2018 (Figura 3 - A, B, C y D). Este
mación registrada en campo (Tabla 3). cambio se originó al sur de Guacheneque y en Los
Cristales (municipio de Pachavita). Por el contra-
3.3. Conectividad estructural rio, la cobertura Arbustal denso disminuyó (Ad)
477 ha (Tabla 4; Figura 3 - E y F).
Diversidad: la zona de estudio tiene un área total
El Mosaico de pastos y cultivos se redujo en nú-
(AT) de 30.846,15 ha; a escala de paisaje, entre
mero de teselas entre fechas (NP de 128 a 111),
1987 y 2018 el número de parches (NP) aumentó
Tabla 3. Matriz de fiabilidad temática (2018). Ad: Arbustal denso; HdTf: Herbazal denso no arbolado de tierra firme; Mpc:
Mosaico de pastos y cultivos; Baa: Bosque abierto alto.
Figura 3. Composición y configuración de coberturas vegetales en 1987 y 2018. Dinámica espacio temporal del Bosque
abierto alto (A-B), Herbazal denso (pajonal-frailejonal), Mosaico de Pastos y cultivos (C-D), y Arbustal denso (E-F).
mientras el Arbustal denso y el Bosque abierto en 2018 (de 0,0034 a 0,0017); el Bosque abierto
alto aumentaron (de 57 a 65 y de 189 a 219); el alto y el Arbustal denso aumentaron la densidad
Herbazal denso pasó de dos teselas a una, por tal (de 0,3194 a 0,3702 y de 0,0963 a 0,1099).
razón disminuyó el valor de densidad de parches
Tabla 4. Métricas de área (CA) y porcentaje de paisaje (PLAND) para 1987 y 2018. Mpc: Mosaico de pastos y cultivos;
Baa: Bosque abierto alto; Ad: Arbustal denso; HdTf: Herbazal denso no arbolado de tierra firme.
Para el Mosaico de pastos y cultivos, así como el Para 2018 el número de uniones funcionales
Herbazal denso, el índice de parche más grande (conexiones entre teselas) aumentó para las cober-
(LPI) aumentó (de 20 a 21% y de 0,79 a 0,83%). turas de Mpc y Baa, mientras que para el Ad la
Por el contrario, el Bosque abierto alto y el conectividad disminuyó al aumentar la distancia
Arbustal denso redujeron el área entre fechas (de entre teselas (Figura 4 - B, C y D).
6,23 a 5,96% y de 8,76 a 8,33%, respectivamente).
Configuración: el Mpc y el Ad incrementaron 4. Discusión
la distancia euclídea en 31 años (de 150,74 a
4.1. Verificación de campo
170,70 m y de 196,96 a 236,64 m respectivamen-
te), mientras que el Baa disminuyó la distancia Los ecosistemas de Guacheneque y Los Cristales
entre teselas (de 166,74 a 159, 27 m; Figura 4 - A); están definidos por gradientes ambientales y
para el HdTf la distancia euclídea y la conectivi- altitudinales, cuyas variaciones fisionómicas de-
dad son nulas, debido a la única tesela presente en terminan la transición entre el bosque altoandino y
2018 (en 1987 dos polígonos distanciados 60 m). el páramo. Sin embargo, la influencia de la matriz
Figura 4. Métrica distancia euclídea y de conectividad (CONNECT). Mpc: Mosaico de pastos y cultivos; Baa: Bosque
abierto alto; Ad: Arbustal denso.
Bennett, A.F. 2003. Linkages in the Landscape: The Etter, A., McAlpine, C., Possingham, H. 2008.
Role of Corridors and Connectivity in Wildlife Historical Patterns and Drivers of Landscape
Conservation. IUCN, Gland, Switzerland and Change in Colombia since 1500: A Regionalized
Cambridge, UK. https://doi.org/10.2305/IUCN. Spatial Approach. Annals of the Association
CH.2004.FR.1.en of American Geographers, 98(1), 2-23.
Bernal, M. 2017. Conflictos socioambientales en https://doi.org/10.1080/00045600701733911
el páramo de Guacheneque y estrategias de Etter, A., van Wyngaarden, W. 2000. Patterns of
conservación para el ordenamiento ambiental Landscape Transformation in Colombia, with
regional (Tesis de Maestría). Universidad Nacional Emphasis in the Andean Region. AMBIO: A
de Colombia, Bogotá. Journal of the Human Environment, 29(7), 432-439.
Carrillo, M.Y., Morales-Puentes, M.E., Gil-Leguizamón, https://doi.org/10.1579/0044-7447-29.7.432
P.A. 2017. Catálogo de la flora (angiospermas) del Fahrig, L. 2003. Effects of habitat fragmentation
páramo de Bijagual, Boyacá, Colombia. Boletín on biodiversity. Annual Review of Ecology,
Científico del Centro de Museos, 21(2), 15-29. Evolution, and Systematics, 34, 487-515. https://doi.
CAR. 2018. Elaboración del Diagnóstico, Prospectiva, org/10.1146/annurev.ecolsys.34.011802.132419
Formulación de la cuenca Hidrográfica del río Flantua, S., O’Dea, A., Onstein, E., Giraldo,
Bogotá Subcuenca río alto Bogotá. Bogotá D.C., C., Hooghiemstra, H. 2019. The flickering
Colombia: CAR, Planeación Ecológica LTDA y connectivity system of the north Andean paramos.
Ecoforest LTDA. Journal of Biogeography, 46, 1808-1825.
Chander, G., Markham, B.L., Barsi, J.A. https://doi.org/10.1111/jbi.13607
2007. Revised Landsat-5 Thematic Mapper García-Gigorro, S., Saura, S. 2005. Forest fragmentation
Radiometric Calibration. IEEE Geoscience estimated from remotely sensed data: is comparison
and Remote Sensing Letters, 4(3), 490-494. across scales possible? Forest Science, 51(1), 51-63.
https://doi.org/10.1109/LGRS.2007.898285 https://doi.org/10.1093/forestscience/51.1.51
Chuvieco, E. 2002. Teledetección ambiental. La Gergel, S.E., Turner, M.G. 2017. Learning
observación de la tierra desde el espacio. España: Landscape Ecology. New York: Springer-Verlag.
Editorial Ariel S.A. https://doi.org/10.1007/978-1-4939-6374-4
Correa-Ayram, C.A., Mendoza, M.E., López- Gil, P. A. 2016. Análisis multitemporal de la vegetación
Granados, E. 2014. Análisis del cambio en la del Macizo de Bijagual, Boyacá. (Tesis de Maestría).
conectividad estructural del paisaje (1975-2008) Universidad Pedagógica y Tecnológica de Colombia,
de la cuenca del lago Cuitzeo, Michoacán, México. Tunja.
Revista de Geografía Norte Grande, 59, 7-23. Gil-Leguizamón, P.A., Morales-Puentes, M. E., Jácome,
https://doi.org/10.4067/S0718-34022014000300002 J. 2020. Estructura del bosque altoandino y páramo
Cortés-S., S.P., Rangel-Ch., J.O., Serrano-V., H. 2004. en el Macizo de Bijagual, Boyacá, Colombia.
Transformación de la cobertura vegetal en la alta Revista de Biología Tropical, 68(3), 765-776.
montaña de la cordillera Oriental de Colombia. Lyonia: Gil-Leguizamón, P.A., Bravo-Pedraza1, W.J.,
A Journal of ecology and application, 6(2), 153-160. Hernández-Velandia, D.R., Moreno-Mancilla, O.F.,
Cuesta, F. J., Sevink, L., Llambí, B., De Bièvre, B., Morales-Alba, A.F., Reyes Camargo, J.E., Ovalle-
Posner, J. 2014. Avances en investigación para Pacheco, A.L., Muñoz-Avila, J.A., Vergara, P., Ortiz,
la conservación de los páramos andinos. Quito, L., Useche, D.S. 2018. Capítulo 4 - restauración
Ecuador: CONDESAN. ecológica del bosque altoandino en la vereda
Duque, M., Montes del Olmo, C. 2011. Los servicios Montoya (Ventaquema, Boyacá): avances. En Prado-
de los ecosistemas de Chocontá: un ejercicio de Castillo, L. F., Gil-Leguizamón, P. A., Sabogal-
percepción con sus habitantes. NOVA - publicación González, A., Morales-Puentes, M. E. (Eds.),
científica en ciencias biomédicas, 9(15), 113-214. Restauración de ecosistemas de montaña: cultura y
https://doi.org/10.22490/24629448.500 ecología desde el páramo y el piedemonte llanero,
(pp. 139-177), Tunja, Colombia: Búhos editores
Equipo profesional POMCA. (2018). Documento Ltda. https://doi.org/10.19053/978-958-660-335-5.4
general del Pomcarg (POMCA río Garagoa).
Gil-Novoa, J. E., Morales-Puentes, E. 2017. Briófitos del
Errejón-Gómez, J.C., Vila-Subirós, J., Flores-Flores, J.L., complejo de páramos Tota-Bijagual-Mamapacha: un
Reyes-Hernández, H., Muñoz-Robles, C.A. 2018. acercamiento a su riqueza y fitogeografía. Ciencia
Conectividad de los ecosistemas entre las reservas de en Desarrollo, 1E(Suplemento Especial), 157-158.
la biosfera “El Cielo” y “Sierra del Abra Tanchipa” en
México. Investigaciones Geográficas, 70, 181-196.
https://doi.org/10.14198/INGEO2018.70.09
Gurrutxaga, M., Lozano, P.J. 2006. Efectos de la Newbold, T., Hudson, L., Hill, S., Contu, S., Lysenko,
fragmentación de hábitats y pérdida de conectividad I., Senior, R., Börger, L., Bennett, D., Choimes,
ecológica dentro de la dinámica territorial. A., Collen, B., Day, J., De Palma, A., Díaz, S.,
Polígonos: Revista de Geografía, 16, 35-54. Echeverria-Londono, S., Edgar, M., Feldman,
https://doi.org/10.18002/pol.v0i16.410 A., Garon, M., Harrison, M., Alhusseini, T.,
Hilty, J., Worborys, G.L., Keeley, A., Woodley, S., Purvis, A. 2015. Global effects of land use on
Lausche, B., Locke, H., Carr, M., Pulsford, I., local terrestrial biodiversity. Nature, 520, 45-50.
Pittock, J., White, J.W., Thebald, D.M., Levine, https://doi.org/10.1038/nature14324
J., Reuling, M., Watson, J.E.M., Ament, R., Olaya-Angarita, J.A., Díaz-Pérez, C.N., Morales-Puentes,
Tabor, G.M. 2020. Guidelines for conserving M.E. 2019. Composición y estructura de la transición
connectivity through ecological networks and bosque-páramo en el corredor Guantiva-La Rusia
corridors. Best Practice Protected Area Guidelines (Colombia). Revista de Biología Tropical, 67(4), 755-
Series No. 30. Gland, Switzerland. IUCN. 768. https://doi.org/10.15517/rbt.v67i4.31965
https://doi.org/10.2305/IUCN.CH.2020.PAG.30.en
Pascual-Hortal, L., Saura, S. 2006. Comparison
IDEAM. 2010. Leyenda Nacional de Coberturas de la and development of new graph based
Tierra. Metodología CORINE Land Cover adaptada landscape connectivity indices: towards the
para Colombia Escala 1:100.000. Bogotá, D. C., priorization of habitat patches and corridors for
Colombia: Instituto de Hidrología, Meteorología y conservation. Landscape Ecology, 21, 959-967.
Estudios Ambientales. https://doi.org/10.1007/s10980-006-0013-z
Jiménez, L. 2018. Análisis multitemporal de la
Posada, E. 2012a. Manual de prácticas de percepción
cobertura de la tierra del páramo Rabanal – Río
remota I. Bogotá D.C., Colombia: Centro de
Bogotá y su condición frente a los escenarios
Investigación y Desarrollo en Información
de cambio climático, utilizando sistemas de
Geográfica (CIAF). Instituto Geográfico Agustín
información geográfica. (Tesis de especialización).
Codazzi (IGAC).
Universidad Libre, Bogotá.
Posada, E. 2012b. Manual de prácticas de percepción
Llambí, L.D., Soto, A., Celleri, R., De Bievre, B., Ochoa,
remota II. Bogotá D.C., Colombia: Centro de
B., Borja, P. 2012. Páramos Andinos: Ecología,
Investigación y Desarrollo en Información
Hidrología y Suelos de Páramos. Monsalve Moreno.
Geográfica (CIAF). Instituto Geográfico Agustín
McGarigal, K., Cushman, S.A., Ene., E. 2012. Codazzi (IGAC).
FRAGSTATS v4: Spatial Pattern Analysis Program
for Categorical and Continuous Maps. Department Prado-Castillo, L.F., Gil-Leguizamón, P.A. Sabogal-
of Environmental Conservation, University of González, A., Morales-Puentes, M.E. 2018.
Massachusetts, Amherst. Restauración de ecosistemas de montaña: cultura y
ecología desde el páramo y el piedemonte llanero.
Méndez, O.L. 2019. Los intereses emergentes sobre Tunja, Boyacá, Colombia: Búhos Editores Ltda.
la alta montaña y la vida campesina: tensiones
y contradicciones de la delimitación de páramos Rodríguez, N., Armenteras D., Retana. J. 2013. Land
en Colombia. Cuadernos de Geografía: Revista use and land cover change in the Colombian
Colombiana de Geografía, 28(2), 322-339. Andes: dynamics and future scenarios.
https://doi.org/10.15446/rcdg.v28n2.70549 Journal of Land Use Science, 8(2), 154-174.
https://doi.org/10.1080/1747423X.2011.650228
Moreno-Mancilla, O.F., Caro-Melgarejo, D.P.,
Morales-Puentes, M.E., Gil-Leguizamón, P.A. Santos, T., Tellería, J.L. 2006. Pérdida y fragmentación
2018. Entre plantas y animales: una muestra de del hábitat: efecto sobre la conservación de las
la diversidad del DRMI Rabanal (Boyacá) y el especies. Ecosistemas, 15(2), 3-12.
piedemonte llanero Sabanalarga (Casanare), Sarmiento, C., Cadena-Vargas, C., Sarmiento, M.,
Tunja, Boyacá, Colombia: Búhos Editores Ltda. Zapata, J., León, O. 2013. Aportes a la conservación
https://doi.org/10.19053/978-958-660-332-4
estratégica de los páramos de Colombia:
Múnera, J.R., Barreto, J.C. 2016. Disyuntivas Actualización de la cartografía de los complejos de
ambientales y Políticas de los Campesinos Paperos páramo a escala 1:100.000. Bogotá, D.C. Colombia:
del Páramo de Cortadera en Boyacá-Colombia. Instituto de Investigación de Recursos Biológicos
Psicología Política, 16(37), 321-334. Alexander von Humboldt.
CASO PRÁCTICO
Resumen: Conocer en profundidad los procesos de regeneración después de un incendio forestal es fundamental
para afrontar las consecuencias adversas de éstos sobre el medio natural. En este contexto, la severidad del
fuego constituye una variable crítica porque condiciona la respuesta del ecosistema en términos de regeneración
vegetal y dinámica hidrogeomorfológica tras el incendio. Por tanto, su correcta evaluación es fundamental para la
gestión de las zonas quemadas ya que permite priorizar las áreas de actuación y, por tanto, ayuda en la adopción
de estrategias y medidas de recuperación. El área de trabajo está localizada en el paraje de Las Peñuelas (Huelva),
donde tuvo lugar un gran incendio el 24 de junio de 2017 que afectó a unas 10 000 ha. La metodología se basó
en el cálculo del índice espectral RBR (Relativized Burn Ratio) para la estimación de la severidad, y el índice NDVI
(Normalized Difference Vegetation Index) para la evaluación de la recuperación del vigor vegetal. Para el trabajo
se utilizaron imágenes procedentes de los satélite Sentinel-2 y Pléiades, fotografías adquiridas mediante UAV
(Unmanned Aerial Vehicle), y muestreos de campo. El resultado fue una cartografía donde se muestran los niveles
de recuperación o retroceso de la vegetación afectada.
Palabras clave: incendio forestal, INFOCA (Incendios Forestales Comunidad Andaluza), área quemada, severidad del
fuego, regeneración vegetal, RBR, NDVI.
Damage Assessment and Recovery Mapping for the "Las Peñuelas" Wildfire, Moguer (Huelva).
Satellite Imagery. Year 2017
Abstract: Deep knowledge of the regeneration processes after a forest fire is key to addressing their adverse
environmental impacts, these are especially evident in the vegetation. In the post-fire environment context, the fire
severity constitutes a critical variable that affects the ecosystem response in terms of vegetation recovery and
hydrogeomorphological dynamics after the fire. Therefore, the severity accurate assessment is essential for the
burned areas management because of it allows the identification of priority areas and, therefore, it helps to carry
out recovery strategies and measures. The area of interest is located in the natural place of Las Peñuelas (Huelva),
where a large fire took place on June 24, 2017 that affected almost 10 000 ha. The methodology was based on
To cite this article: Vales, J.J., Pino, I., Granado, L., Prieto, R., Méndez, E., Rodríguez, M., Giménez de Azcárate, F., Ortega, E., Moreira, J.M.
2020. Damage Assessment and Recovery Mapping for the "Las Peñuelas" Wildfire,Moguer (Huelva). Satellite Imagery. Year 2017. Revista de
Teledetección, 57, 79-94. https://doi.org/10.4995/raet.2020.13082
*
Corresponding author: juanj.vales@juntadeandalucia.es
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 79
Vales et al.
the calculation of the RBR (Relativized Burn Ratio) spectral index to estimate the severity of the fire, and the NDVI
(Normalized Difference Vegetation Index) index to evaluate the recovery of vegetal vigor. For the work, images
from the Sentinel-2 and Pleiades satellites, images acquired by UAV (Unmanned Aerial Vehicle) and field samplings
were used. The result was a cartography showing the levels of recovery or degradation of the affected vegetation.
Key words: forest fire, INFOCA, burned area, fire severity, recovery of the vegetation, RBR, NDVI.
transformaciones que implican efectuar una Dentro de la superficie recorrida por el fuego
combinación matemática entre los niveles digita- existen zonas de escasa afección y también zonas
les almacenados en dos o más bandas espectrales no forestales (edificaciones, cortafuegos, vías de
de la misma imagen (Esperanza y Zerda, 2002). circulación, cultivos,...). En total, el fuego dañó
Estos índices están condicionados por cambios 9856,64 ha forestales, en un 80% formaciones de
en el estado fisiológico de las coberturas vegeta- matorral con pino o pinar denso.
les, y sus variaciones pueden ser utilizadas para
El área afectada se encuentra en la región biogeo-
estudios espaciotemporales del comportamiento
gráfica mediterránea, caracterizada por elevada
de la vegetación. Con el RBR se estudiará el
insolación, inviernos suaves y pequeña oscila-
grado de severidad del incendio y con el NDVI
ción térmica. La precipitación media anual es de
la regeneración de la vegetación en los meses
461,5 mm con aridez estival. Los vientos domi-
posteriores.
nantes son de dirección suroeste, favoreciendo
El presente artículo tiene por objeto describir una alta humedad.
los trabajos de obtención de información base,
Se trata de una gran planicie que antes de al-
necesaria para elaborar el Plan de Gestión (Ley
canzar el mar, se eleva en una enorme duna: el
5/1999, de 29 de junio) para la restauración del
Médano del Asperillo, con cotas que alcanzan los
área afectada y la monitorización de la evolución
100 m de altura, y termina abruptamente en un
de la misma, en cumplimiento de la obligatoriedad
acantilado. Es un territorio caracterizado por la
de garantizar las condiciones para la restaura-
esterilidad de su sustrato, prácticamente sílice,
ción de la vegetación de los terrenos forestales
su movilidad y su dificultad para retener el agua.
incendiados. Para ello se desarrollaron una serie
de procesos destinados a obtener la superficie A grandes rasgos, pueden diferenciarse en la
afectada por el incendio, evaluar la severidad del zona 4 sistemas fisiográficos: acantilados y du-
fuego y hacer un seguimiento del proceso de re- nas, riberas y vaguadas, mantos eólicos y dunas
generación del ámbito afectado. Estos trabajos se estabilizadas, y arenas basales y glacis.
enmarcaron por tanto en la fase de evaluación y
En el área quemada dominaba una importante
análisis pos-emergencia.
masa forestal de pinar de pino piñonero y al-
bergaba numerosas especies singulares como la
2. Material y métodos Armenia velutina o la Linaria tursica, así como
17 Hábitats de Interés Comunitario (HIC), todos
ellos con la categoría de prioritarios o propuestos
2.1. Características del área de estudio
como prioritarios para Andalucía: estanques tem-
El área de estudio es el incendio forestal del Paraje porales en dunas y arenas litorales, dunas costeras
Las Peñuelas, en el término municipal de Moguer fijas con vegetación herbácea, y brezales atlánti-
(Huelva), que afectó también a otros términos cos en dunas y arenas litorales descalcificadas.
municipales de la provincia: Almonte, Lucena del
Puerto y Palos de la Frontera. 2.1.1. Cuantificación de la superficie afectada
2.2. Imágenes y procesamiento
Para el presente estudio se han utilizado imáge-
nes de muy alta resolución Pléiades e imágenes
del satélite Sentinel-2. Los satélites Pléiades 1A
y Pléiades 1B suministran productos ópticos
en muy alta resolución con una capacidad de
revisita diaria sobre cualquier punto del globo,
por lo que son especialmente adecuados para la
respuesta de emergencia. Poseen una resolución
espacial 0,5 m en pancromático y de 2 m para
imágenes multiespectrales. El producto adquirido
fue imágenes ortorectificadas (Pansharpened
4 bandas RGB-IR, resolución 0,5 m). Los satélites
Sentinel-2 tienen una alta periodicidad de revisita
y media resolución espacial, ofreciendo 13 bandas
espectrales con una resolución de 10, 20 y 60 m.
Estas imágenes fueron obtenidas con nivel de
procesado 1C y se procesaron para liberarlas de
alteraciones atmosféricas o presencia de nubes,
proceso necesario en algunos estudios como los
análisis multitemporales o la comparación de ín-
dices de vegetación. El método usado para ello fue
el conocido como DOS-Dark Object Subtraction
o SPO-Método de sustracción de píxeles oscuros,
en el que se asume que, si hay áreas en una imagen
Figura 1. Delimitación de la superficie afectada por el in-
cendio de Las Peñuelas, y por términos municipales, sobre con valores muy bajos de reflectancia, cualquier
ortoimagen Pléiades de 29/06/2017. reflectancia aparente debería ser producto de la
dispersión (scattering) atmosférica y esta infor-
mación puede ser utilizada para calibrar el resto
Tabla 1. Superficie afectada por términos municipales. de la imagen (Chávez, 1996).
Superficie % Superficie % sobre En la Tabla 2 se muestra la cronología de la
afectada total superficie monitorización de los efectos del incendio con
Municipios* (ha) afectada municipal teledetección.
Palos de la Frontera 1,51 0,01 0,03
satélite permite realizar una evaluación rápida valores del índice por píxel afectado por el fue-
sobre extensas superficies, tener acceso a infor- go, se agrupan en intervalos de severidad, para
mación de zonas poco accesibles y permite repetir la verificación posterior de resultados (fase de
la evaluación para comparar otras zonas o épo- validación) (Tabla 3).
cas, todo ello con unos costes asumibles (Key y
Se definieron los umbrales de corte para cada cate-
Benson, 2006).
goría atendiendo a su grado de severidad, con los
Las áreas totalmente quemadas generan una criterios detallados en la (Figura 2).
reflectancia espectral diferente frente a las no
Tabla 3. Umbrales de clasificación de la severidad.
afectadas. La mayoría de los estudios usan índi-
ces espectrales obtenidos por medio de diferentes Umbrales
combinaciones de bandas (Montorio et al., 2014). Clases (valor píxel) Denominación
En este caso se decidió aplicar el índice de seve- 1 RBR < 0,07 no quemado
ridad RBR (Relativized Burn Ratio) (Ecuación 1) 2 0,07 <RBR <0,13 baja
(Parks et al., 2014), por ser un índice con mayor 3 0,13 <RBR< 0,22 moderada baja
4 0,22 <RBR< 0,32 moderada alta
sensibilidad a cambios en las zonas incendiadas 5 RBR> 0,22 alta
cuya cobertura vegetativa previa al fuego es baja,
como en este caso ocurría en la zona dunar.
RBR= dNBR / (NBRpre + 1,001) (1)
2.4. Estimación de la severidad de
segundo orden
La fotografía de cada parcela se realizó a una al- unos meses después (09/10/2018- 05/02/2019).
tura aproximada de 120 m para cubrir totalmente Lo adecuado hubiera sido llevar a cabo las cap-
el área de la misma con 20 m de radio y con una turas en fechas cercanas, no obstante, la principal
orientación de captura al Norte. Mediante esta característica de la vegetación observada en este
orientación y los datos de posicionamiento GPS intervalo de tiempo fue el agostamiento del estrato
se realizó un proceso de georreferenciación apro- herbáceo mantenido desde el verano, permitiendo
ximada de cada foto al Norte. Se utilizó un sensor la diferenciación de la vegetación del estrato ar-
RGB ya que por limitaciones de disponibilidad bóreo y arbustivo, fundamental para la adecuada
de medios técnicos no fue posible el uso de un evaluación de la dinámica de la cubierta vegetal
sensor multiespectral, el cual habría sido más fácil en términos de cobertura.
de relacionar con la información multiespectral
de Sentinel. La fotointerpretación se realizó por 2.4.2. Validación y ajustes de los niveles de
un técnico especialista que evaluó la severidad severidad de segundo orden
general en el punto, en función del grado de afec-
A cada parcela de muestreo se le asignó la clase
ción del estrato con mayor desarrollo (Figura 5),
de severidad observada en las fotografías aéreas
siguiendo las recomendaciones generales que dan
y el valor que le correspondía del índice RBR. El
Key y Benson (2006) para el caso del CBI.
análisis estadístico de esos pares de observacio-
nes permitió estimar numéricamente el grado de
acuerdo esperado. La herramienta estadística en
la que se fundamentó esta comparación es la ma-
triz de confusión, calculando la fiabilidad global,
la fiabilidad de usuario y del productor e índice
Kappa.
de recubrimiento, lo que lo habilita para seguir del Espacio Natural Doñana que, a partir de su
los estudios iniciales de la recuperación vegetal conocimiento del estado del entorno y la inter-
después de un incendio forestal. pretación visual de la información, evaluaron los
niveles de regeneración visibles en las imágenes,
Aplicando indicadores espectrales de anomalías
alcanzando un alto nivel de confianza ya que no se
de NDVI, es decir diferencia de NDVI (dNDVI)
identificaron errores durante el control. A pesar de
entre la imagen más cercana al incendio (NDVIi)
que no se pudieron realizar inferencias basadas en
y la imagen de la zona un año después de éste
grados de significación probabilística, sí dio una
(NDVIa) [NDVIa – NDVIi], se obtuvieron las idea bastante aproximada de la situación en el área
tendencias positivas y negativas seguidas por la afectada por el incendio una vez transcurrido un
vegetación afectada respecto del nivel de seve- periodo de tiempo de un año después del fuego.
ridad inicial asignado. En tal caso, es necesario
tener en cuenta la compatibilidad fenológica entre A finales de 2019, con motivo de la puesta en
las fechas de adquisición de las dos imágenes, a marcha de las acciones recogidas en el Plan de
fin de minimizar la ocurrencia de falsos positivos/ Restauración de los montes públicos afectados por
negativos (Escuín et al., 2008). el incendio forestal de Las Peñuelas 2017, apro-
bado en dicho año, se llevó a cabo un muestreo
La imagen de diferencia de NDVI fue reclasifi- para reportar el estado de evolución del entorno.
cada en un número manejable e interpretable de Se visitaron las parcelas ya definidas con anterio-
clases, cuyos umbrales fueron definidos a partir de ridad para la validación del mapa de afección. Se
sumar y restar la desviación estándar a la media trataba de 124 parcelas que comprendían la va-
de sus valores. Este método ha sido utilizado para riabilidad del área recorrida por el fuego. Entre la
la clasificación de variables continuas y aplicado
a índices espectrales en general y al NDVI en el
contexto de estudios de incendios forestales en
particular (Escuín et al., 2008).
En la evaluación de la respuesta de la vegetación
se decidió priorizar el análisis de especies leñosas,
dado que tienen efectos más estables sobre la re-
generación del medio natural. Para ello, se utilizó
la imagen Pléiades (2 m) de julio de 2018 que
proporcionó información más precisa en cuanto a
distribución espacial de la vegetación, facilitando
el acomodamiento de los resultados obtenidos con
la serie de imágenes Sentinel-2.
De lo anterior resultaron siete niveles (Tabla 4).
Tabla 4. Umbrales de clasificación de la regeneración vegetal.
información recabada por los técnicos se recogió La clase de severidad 1 no interviene debido a que
el grado de regeneración general en cada punto no tiene representación, y la clase 2 y 3 muestran
observado y material fotográfico in-situ con orien- el menor acierto y corresponden con clases con
tación norte-sureste-oeste de cada parcela. poca representación.
Los datos obtenidos en campo permitieron evaluar Para la fecha 20/08/2017 (se visitaron 32 parce-
la calidad de la clasificación realizada mediante las) (Tabla 6), se consiguió una fiabilidad global
técnicas de teledetección de los niveles de rege- del 86,39% y un estadístico kappa de 0,82 en la
neración vegetal, a partir de los valores obtenidos clasificación de severidad a partir del RBR. La
del cálculo de dNDVI de las imágenes Sentinel-2 segunda clasificación muestra un porcentaje de
de las fechas 01/07/2017 y 24/10/2019, imagen, acierto muy elevado en las clases 3, 4 y 5, siendo
esta última, cercana a la toma de información en la clase 1 y 2 las de menor acierto, también destaca
campo (Figura 6). una menor representación.
Se llevó a cabo un análisis estadístico de los En cuanto a los resultados globales de ambas
pares de nivel de regeneración observado en cam- clasificaciones se observa que las clases de se-
po – valor del índice dNDVI. La precisión de la veridad 1 y 2 muestran una alta confusión con la
clasificación desarrollada se obtuvo a través de clase posterior, lo que supone una subestimación
una matriz de confusión que sirvió para estimar el de la severidad, coincidente con zonas donde la
grado de acuerdo, calculando la fiabilidad global, cantidad de biomasa consumida mostraba una
la fiabilidad de usuario y del productor e índice distribución dispersa. En este caso el grado de
Kappa. mortalidad inducida por el fuego no reflejaba la
realidad sobre el terreno, impidiendo por tanto la
3. Resultados cuantificación de severidad real, a pesar de que se
trataba de zonas donde la vegetación se había visto
Respecto a la evaluación de la severidad de primer afectada.
orden, la fiabilidad de las clasificaciones varió en
Estas zonas poco vegetadas, donde el modelo no
función de las fechas post-incendio y el número de
expresa exactamente el grado de afectación de
parcelas que intervinieron en cada resultado.
la vegetación, se han identificado utilizando el
Para la fecha 1/07/2017 (se visitaron 24 parcelas) NDVI derivado de la imagen Sentinel de fecha
(Tabla 5) se consiguió una fiabilidad global del 01/06/2017, encuadrándose las mismas mediante
61,69%, y un estadístico kappa de 0,46 en la clasi- asignación visual en el nivel de afectación mode-
ficación de severidad a partir del RBR. Se observa rado alto. Así, el porcentaje de superficie afectada
la máxima exactitud en las clases 4 y 5, que ocu- por niveles de severidad causados por el fuego se
pan en torno al 77% de la superficie incendiada. muestra a continuación (Tabla 7).
Tabla 5. Severidad 2017. Matriz de confusión del ajuste (Sentinel-2 01/07/2017 – Campaña de campo 25/07/2017). Se
visitaron 24 parcelas de muestreo representativas de los diferentes niveles de severidad (sev).
Tabla 6. Severidad 2017. Matriz de confusión del ajuste (Sentinel-2 20/08/2017 – Campaña de campo 18/08- 06/09/2017).
Se visitaron 32 parcelas de muestreo representativas de los diferentes niveles de severidad (sev).
Tabla 7. Porcentaje de superficie afectada por niveles de función del RBR calculado a partir de las imáge-
severidad. Cartografía de severidad a partir del RBR sobre nes Sentinel-2 de 29/07/2018 y coloreados según
imagen Sentinel-2 del 01/07/2017.
el nivel de afección observado en las imágenes
% sobre superficie proporcionadas por el UAV. Las líneas de corte
Clases Denominación total afectada muestran los umbrales establecidos en el mapa
1 No quemado 4,13 de severidad a partir del RBR. Como se puede
2 Baja 5,54 observar, solo en 11 puntos (de 108) el valor de
3 Moderada baja 13,6
severidad observada no es igual al valor estimado
4 Moderada alta 29,54
5 Alta 47,19 con la imagen. Se han excluido del estudio 16 pun-
Total 100 tos de muestreo por no tener datos de observación
en campo.
En el análisis de la severidad de segundo orden, la
Se consiguió una fiabilidad del 79,38%. En la cla-
resolución de las imágenes aportadas por el UAV
sificación se observan los menores aciertos en las
(en torno a 1,5 cm) permitió realizar una buena
clases 2 y 3. La clase 2 muestra una alta confusión
fotointerpretación del grado de afección, sobre
con la clase 1; la clase 3 muestra confusión con
todo en las clases de severidad nula (1) y baja (2)
la clase anterior y posterior (Tabla 8). La máxima
en aquellos estratos de vegetación dispersa y con
exactitud se observa en las clases 4 y 5, nivel de
poco desarrollo (baja FCC y sin arbolado), donde
severidad moderada alta y alta, que corresponden
el RBR con imágenes Sentinel se mostró menos
con bosques de pinos maduros.
sensible a cambios y donde el efecto del suelo
enmascaraba la respuesta de la vegetación impi- Estos bosques de pinos maduros están desarro-
diendo por tanto la cuantificación de la severidad. llados sobre dunas estabilizadas de la parte más
interna del sistema dunar litoral, formados por
En la siguiente gráfica (Figura 7) se puede obser-
Pinus pinea, (o también P. pinaster o P. hale-
var la distribución de los puntos de muestreo en
pensis), a menudo procedentes de repoblaciones
Figura 7. Distribución de los puntos de muestreo. Representación niveles de severidad imagen Sentinel-2 de 2018 / imá-
genes UAV de 2018, el eje x representa los puntos de muestreo y el eje y los valores de severidad.
Tabla 8. Severidad 2018. Matriz de confusión del ajuste (Sentinel-2 26/07/2018 – Campaña con UAV 09/10/2018-
05/02/2019). Se visitaron 108 parcelas de muestreo representativas de los diferentes niveles de severidad (sev).
Clases Denominación Superficie afectada (ha) 01/07/2017 Superficie afectada (ha) 26/07/2018
1 No quemado 426,89 1158,35
2 Baja 573,08 1744,57
3 Moderada baja 1406,83 3111,47
4 Moderada alta 3055,74 2348,58
5 Alta 4881,86 1981,43
Total 10 344,40 10 344,40
Figura 8. Distribución de los puntos de muestreo. Representación niveles de regeneración imagen Sentinel-2 de 2019 /
puntos de muestreo campaña 2019, el eje x representa los puntos de muestreo y el eje y los valores de regeneración.
Tabla 10. Regeneración 2019. (Sentinel-2 24/10/2019 – Campaña de campo 09/10- 15/11/2019). Se visitaron 108 parcelas
de muestreo representativas de los diferentes niveles de regeneración vegetal (reg).
clasificación. Se deben continuar los estudios en En la ejecución de este trabajo se han combinado
la zona a fin de implementar un protocolo que diversas técnicas para la captura de información
facilite el trabajo de los gestores, incluyendo la geográfica, en función de las necesidades de pre-
evaluación a largo plazo de la severidad mediante cisión y resolución requeridas para la ejecución
técnicas de teledetección que permitan calcular de las distintas fases. El uso de imágenes del
vulnerabilidad y resiliencia de los ecosistemas satélite Sentinel-2 ha supuesto una importante
(Malak et al., 2015, Doblas-Miranda et al., 2015). contribución y avance en el ámbito del análisis
de los incendios forestales, al proporcionar datos
Desde el punto de vista de la administración
de libre distribución, así como por el significati-
responsable de la gestión y restauración de los
vo incremento en resolución espacial, espectral
ecosistemas forestales, los resultados obtenidos
y temporal, proporcionando una mejor calidad
han proporcionado una herramienta útil para la
de análisis debido a la mejora de la resolución
toma de decisiones urgentes, seguimiento de la
espacial, en comparación a la resolución espacial
evolución del ámbito afectado y la definición del
de otros satélites. La mejor resolución espectral
Plan de Restauración del entorno para la prioriza-
y radiométrica también han supuesto un gran
ción de las actuaciones a acometer.
Por otro lado, el uso de imágenes UAV ha per- Cansler, C.A., McKenzie, D. 2012. How Robust Are
mitido realizar un seguimiento a la carta de los Burn Severity Indices When Applied in a New
Region? Evaluation of Alternate Field-Based and
efectos del incendio, realizando vuelos post-
Remote-Sensing Methods. Remote Sensing, 4(12),
incendio de parcelas de muestreo seleccionadas 456-483. https://doi.org/10.3390/rs4020456
en zonas que se vieron afectadas por el mismo,
por tanto, su uso complementa notablemente Carpintero, I., Montoya, G., Granado, L., Méndez, E.,
la información sobre las zonas quemadas y su Pino, I., Prieto, R., Vales, J.J., Salas, F.J.,Venegas,
J., Cáceres, F., Moreira, J.M., Giménez de Azcárate,
regeneración.
F. 2017. Cartografía de la afección del incendio en
Por último, el uso de imágenes Pléiades ha per- Huesa, Quesada y Cabra de Santo Cristo (Jaén) con
mitido gracias a las características óptimas de imágenes satelitales. Nuevas plataformas y sensores
resolución espacial (0,5 m), una buena discrimi- aplicados a la gestión del Agua, la Agricultura y el
Medio Ambiente. XVII Congreso de la Asociación
nación de coberturas para la delimitación del área
Española de Teledetección, 181-184.
afectada por el incendio, además al contar con
una banda en el infrarrojo cercano ha permitido Chavez, P.S. Jr. 1996. Image-based atmospheric
realizar combinaciones de bandas que han sido corrections—revisited and revised. Photogrammetric
Engineering and Remote Sensing, 62(9):1025-1036.
útiles para la verificación de resultados en distin-
tas fases del estudio. Chuvieco, E., Riaño, D., Danson, F.M., Martin,
P. 2006. Use of radiactive tranfer model to
simulate the postfire spectral response to burn
Agradecimientos severity. Journal of Geophysical Research, 111.
https://doi.org/10.1029/2005JG000143
En el marco de los trabajos del Grupo de Trabajo
Científico-Técnico encargado de la restauración Consejería de Agricultura, Ganadería, Pesca y Desarrollo
del incendio de “Las Peñuelas” 2017, este artícu- Sostenible. Informe ejecutivo del incendio de Las
lo ha sido posible gracias a la colaboración del Peñuelas Moguer (Huelva).
Espacio Natural de Doñana, por su contribución De Santis, A., Chuvieco, E. 2007. Burn severity
en la recogida de datos en las distintas campañas estimation from remotely sensed data: Performance
de campo y sus aportaciones técnicas en relación of simulation versus empirical models. Remote
con el conocimiento exhaustivo del ámbito afec- Sensing of Environment, 108(4), 422-435.
tado. Por otro lado, agradecemos a AMAYA y La https://doi.org/10.1016/j.rse.2006.11.022
Caixa la aportación de información procedente Dedios-Mimbela N.J. 2006. Análisis de diferentes
de la campaña de campo con dron. También que- métodos de clasificación de una imagen de satélite
remos agradecer a AIRBUS Defence and Space para caracterizar la superficie afectada por incendio
su colaboración en la optimización de procesos forestal en ecosistemas de bosque. Servicio Nacional
de Meteorología e Hidrología SENAMHI.
operativos y administrativos para la adquisición
de imágenes Pléiades por parte de Rediam. Díaz-Delgado, R., Pons, X. 2003. Análisis comparativo
de diferentes cartografías de incendios forestales.
Revista de Teledetección, 20, 11-15.
Doblas-Miranda, E., Martínez-Vilalta, J., Lloret, F., Key, C.H., Benson, N. 2005. Landscape assessment:
Álvarez, A., Ávila, A., Bonet, F.J., Brotons, L., ground measure of severity, the Composite
Castro, J., Curiel Yuste, J., Díaz, M., Ferrandis, P., Burn Index; and remote sensing of severity, the
García-Hurtado, E., Iriondo, J.M., Keenan, T.F., Normalized Burn Ratio. Fort Collins, CO: U.S.
Latron, J., Llusià, J., Loepfe, L., Mayol, M., Moré, Department of Agriculture, Forest Service, Rocky
G., Moya, D., Peñuelas, J., Pons, X., Poyatos, R., Mountain Research Station.
Sardans, J., Sus, O., Vallejo, V.R., Vayreda, J.,
Key, C.H. 2006. Ecological and sampling constraints on
Retana, J. 2015. Reassessing global change research
defining landscape fire severity. Fire Ecology, 2, 34-
priorities in mediterranean terrestrial ecosystems:
59. https://doi.org/10.4996/fireecology.0202034
how far have we come and where do we go from
here? Global Ecology and Biogeography, 24(1), 25- Malak, D.A., Pausas, J.G., Pardo-Pascual, J.E.,
43. https://doi.org/10.1111/geb.12224 Ruiz, L.A. 2015. Fire Recurrence and the
Dynamics of the Enhanced Vegetation Index in a
Escuin, S., Navarro, R., Fernández, P. 2008. Fire
Mediterranean Ecosystem. International Journal
severity assessment by using NBR (Normalized
of Applied Geospatial Research, 6(2), 18-35.
Burn Ratio) and NDVI (Normalized Difference
https://doi.org/10.4018/ijagr.2015040102
Vegetation Index) derived from LANDSAT
TM/ETM images, International Journal of Manzo-Delgado, L., López-García, J. 2013. Detección
Remote Sensing, 29(4), 1053-1073. https://doi. de áreas quemadas en el sureste de México,
org/10.1080/01431160701281072 utilizando índices pre y post-incendio NBR y BAI,
derivados de compuestos MODIS”, GeoFocus,
Fleiss, J.L., Cohen, J., Everitt, B.S. 1969. Large
13(2), 66-83. ISSN: 1578- 5157.
sample standard errors of kappa and wighted
kappa. Psychologycal Bulletin, 72, 323-327. Miller, J.D., Yool, S.R. 2002. Mapping forest post-fire
https://doi.org/10.1037/h0028106 canopy consumption in several overstory types
using multi-temporal Landsat TM and ETM data.
Gamon, J.A., Field, C.B., Goulden, M.L., Griffin,
Remote Sensing of Envairoment, 82, 481-496.
K.L., Hartley, A.E., Joel, G., Peñuelas, J., Valentini,
https://doi.org/10.1016/S0034-4257(02)00071-8
R. 1995. Relationships between NDVI, canopy,
structure and photosynthesis in three Californian Montorio, R., Pérez-Cabello, F., García-Martín,
vegetation types. Ecological Applications, 5, 28-41. A., Vlassova, L., de la Riva-Fernández, J. 2014.
https://doi.org/10.2307/1942049 La severidad del fuego: Revisión de conceptos,
métodos y efectos ambientales. En: José Arnáez,
García-Martínez, E., Pérez-Cabello, F. 2015. Análisis
Penélope González-Sampériz, Teodoro Lasanta y
de la regeneración vegetal mediante imágenes
Blas L. Valero Garcés (eds.). Geoecología, cambio
Landsat-8 y el producto MCD15A2 de MODIS: el
ambiental y paisaje: homenaje al profesor José
caso del incendio de O Pindo (Galicia). En Análisis
María García Ruiz. Logroño: Instituto Pirenaico de
espacial y representación geográfica: innovación y
Ecología (CSIC): Universidad de La Rioja, España.
aplicación. Universidad de Zaragoza - AGE (2015):
621-630. Parks, S.A., Dillon, G.K., Miller, C. 2014. A new
metric for Quantifying burn severity: The relativized
Granado, L., Pino, I., Vales, J.J., Prieto, R., Méndez, E.,
burn ratio. Remote Sensing, 6, 1827-1844.
Rodríguez, M., Giménez de Azcárate, F., Ortega, E.,
https://doi.org/10.3390/rs6031827
Moreira, J.M. 2019. Cartografía de la recuperación
vegetal del incendio de Las Peñuelas en Moguer Pereira, J.M.C., Sa, A.C.L., Sousa, A.M.O., Silva,
(Huelva) con imágenes satelitales. En Hacia una J.M.N., Santos, T.N., Carreiras, J.M.B. 1999.
visión del cambio climático. XVIII Congreso de la Spectral characterisation and discrimination of
Asociación Española de Teledetección. Valladolid, burnt areas. In: E. Chuvieco (Ed.). Remote Sensing
España, 24-27 septiembre. pp. 155-158. ISBN: 978- of Large Wildfires in the European Mediterranean
84-1320-038-5. Basin. Springer-Verlag, Berlin. 123-138.
https://doi.org/10.1007/978-3-642-60164-4_7
Junta de Andalucía. Boletin Oficial de la Junta
de Andalucía. Ley 5/1999, de 29 de junio, de Plan de restauración de los montes públicos afectados
Prevención y Lucha contra los Incendios Forestales. por el incendio forestal de Las Peñuelas 2017:
https://juntadeandalucia.es/boja/1999/82/1 sector occidental del Parque Natural de Doñana,
Coto Mazagón y ordenados de Moguer. Consejería
Justice, C.O., Townshend, J.R.G., Holben, B.N.,
de Agricultura, Ganadería, Pesca y Desarrollo
Tucker, E.C. 1985. Analysis of the phenology of
Sostenible. Junta de Andalucía. Septiembre 2019.
global vegetation using meteorological satellite data.
International Journal of Remote Sensing, 6, 1271-
1318. https://doi.org/10.1080/01431168508948281
TESIS DOCTORAL
Disponible: http://hdl.handle.net/10251/153715
Forest structure is defined as the horizontal and vertical distribution of the vegetation elements (Kükenbrink
et al., 2017). Its significance is visible on different factors such as biodiversity and spreading of wild-
fires. For the latter, fire behavior may be modeled through fire models. To do this, input parameters
representing the forest structure and fuel properties are required (García et al., 2011). The use of more
recent and detailed 3D fire behavior models based on computational fluid dynamics methods, require
more information about the heterogeneity of vegetation fuels in the different vertical strata (Mell et al.,
2011). In this sense, discrete airborne laser scanning (ALSD) has been successfully used to characterize
forest structure and fuel properties (Hevia et al., 2016). More specifically, full-waveform airborne laser
scanning (ALSFW) goes one step further and registers the complete signal response from the different
vertical strata (Mallet and Bretar, 2009). Nevertheless, its use has been limited due to three main points:
(i) unknowledge of data, (ii) large amount of data, and (iii) lack of processing tools. The main objective
of this thesis was the development of processing and analysis methods based on full-waveform airborne
laser scanner data to characterize the vertical forest structure, in particular, the understory vegetation.
Moreover, six more specific objectives are also described and addressed in the next paragraphs.
Airborne laser scanning (ALS) data are not homogeneous due to several factors such as the presence of
side-lap areas between different flight stripes. This leads to a heterogeneous pulse density that affects the
extraction of ALSFW metrics extracted, and forest attributes estimated from the latter. In the first specific
objective we assessed the influence of the pulse density, methodological parameters of the voxelization
procedure (voxel size and assignation value) and regression method on the extraction of ALSFW metrics
and on the estimate of forest attributes. Results show that variations of ALSFW metric values by either
using a minimum pulse density or modifying voxel parameters may be reduced. Additionally, estimate
of forest attributes is also influenced by pulse density variations, and its influence may be reduced by
increasing voxel size and modifying the regression method (Crespo-Peremarch et al., 2018a).
*
Corresponding author: pabcrepe@cgf.upv.es
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 95
Crespo-Peremarch
One of the drawbacks of using ALSFW data is that for the characterization of these strata, which is a
there is a lack of processing tools, and most of the key factor for the prediction of wildfires.
existing ones do not include some functionalities
The use of radiometric correction for ALS data
such as the radiometric correction or metrics
is not very widespread compared to remote sen-
related to understory vegetation. In the second
sing imagery. However, it is an essential step for
specific objective we developed a software tool
ALSFW due to the reliance between ALSFW metrics
named WoLFeX (Waveform Lidar for Forestry
and amplitude values (Wagner, 2010). The use
Extraction), freely available for download at
of ALSFW data without a radiometric correction
[http://cgat.webs.upv.es/software/]. This software
may involve modified ALSFW metric values, and
tool allows for clipping, radiometrically correct-
consequently modified estimates of forest attri-
ing, voxelizing the original ALSFW waveforms,
butes. In the third specific objective we assessed
creating pseudo-vertical waveforms and extract-
the influence of relative radiometric correction
ing an exhaustive set of object-oriented metrics
and scan angle acquisition on ALSFW metric va-
(Crespo-Peremarch and Ruiz, 2020). Among these
lues and estimate of forest fuel attributes. Results
metrics, some new ones related to understory veg-
showed that ALSFW metric values and estimates of
etation are the most remarkable, since they allow
forest fuel attributes are influenced by scan angle.
Figure 1. Vertical profiles representing two contrasted plots (P1-SP and P9-SP) in a Mediterranean forest. The figures from
left to right represent: (i) the number of hits from ALS and cumulative Plant Area Density from TLS, (ii) a one-meter wide
point cloud transect, and (iii) the rate of pulse reduction from the three configurations (i.e., TLS, ALSD and ALSFW). Dashed
lines represent the limits of the lower strata (i.e., 0.5 and 4 m).
Nevertheless, this influence may be considerably (PAD) also for TLS (Pimont et al., 2018). Despite
reduced by using the radiometric correction, but using these strategies, signal occlusion is hardly
not completely removed. ever completely removed. Hence, it is essential to
analyze signal occlusion to better understand the
Detection of forest horizontal and vertical structure
limitations of the different laser scanning sensors in
by laser scanning can be limited by signal occlusion
the detection of vertical forest structure. In the four-
caused by vegetation. The amount of signal occlu-
th specific objective we characterized the signal
sion may be reduced using several strategies such
occlusion along the vertical forest structure using
as increasing the number of flight stripes for ALS,
different laser scanning sensors: ALSD, ALSFW and
combining data from multiple sensors, registering
TLS. Results showed that the vertical profile ex-
the plot with multiple scans for terrestrial laser
tracted was dependent on signal occlusion (Figure
scanning (TLS), or compute the Plant Area Density
1). This signal occlusion may be quantified in the
Figure 2. Understory vegetation attributes (i.e., Hmean and Hmax: mean and maximum height, respectively; C: cover; and V:
volume) derived from ALSFW at subplot-level, and field photographs from three plots representing from left to right, dense,
low and moderate understory cover.
Table 1. Estimate results at plot-level for understory vege- intermediate and lower strata, where ALSFW can
tation attributes mean and maximum height (Hmean and Hmax, be used instead. Therefore, ALSFW has demonstra-
respectively), cover (C), and volume (V). ted to be a powerful tool to characterize the entire
Attributes R2 RMSE nRMSE (%) CV (%) vertical forest structure, but especially understory
Hmean 0.949 0.08 m 7 11 vegetation, where ALS sensors have been tradi-
Hmax 0.758 0.52 m 12 15 tionally limited. Nevertheless, the use of ALSFW
C 0.871 0.09 11 12 data requires the identification of the appropriate
V 0.951 56.49 m3 7 9 parameters, such as the optimal minimum pulse
density and voxel parameters, as well as the
application of the radiometric correction prior
different vertical strata by using the rate of pulse re-
to undertake any data processing. Additionally,
duction, which is a good indicator of the reliability
there are some general limitations common for
in the detection of vertical forest structure (Crespo-
ALS sensors, such as the signal occlusion caused
Peremarch et al., 2020).
by overstory, especially in dense tropical forests.
Among the different vertical strata, understory The results lead the way for the estimation of
vegetation is critical for wildlife habitat, as well as understory vegetation variables from ALSFW data
a key driver of fire behavior through ladder fuels, at voxel level, to be used as input in the new 3D
which drive crown fires (Molina et al., 2011). Its physical fire behavior models.
detection can be challenging from ALS sensors due
to signal occlusion caused by overstory (Anderson Acknowledgements
et al., 2016). In the fifth specific objective we
determined how understory vegetation density The author of this PhD thesis is thankful for the fi-
classes can be detected and further determined by nancial support provided by the Spanish Ministerio
ALS sensors (i.e., ALSD and ALSFW) in a boreal de Economía y Competitividad and FEDER,
and Mediterranean forest. Results showed the ca- in the framework of the projects ForeStructure
pabilities of both ALS sensors to detect understory CGL2013-46387-C2-1-R (2013-2016) and
vegetation. Nevertheless, ALSFW showed a higher FIRMACARTO CGL2016-80705-R (2016-2019).
accuracy than ALSD, demonstrating its potential to In addition, this PhD thesis was partly developed
detect and determine understory vegetation den- in the Integrated Remote Sensing Studio (IRSS) of
sity classes in a boreal and Mediterranean forest University of British Columbia (UBC) (Canada)
by using the Gini index (see Table 1) (Crespo- and in the Centre d’Applications et de Recherche
Peremarch et al., 2020). en Télédétection of Université de Sherbrooke
(Canada) thanks to the Erasmus+ KA-107 mo-
The characterization of understory vegetation by
bility grant and to the Canadian research project
means of ALS sensors is uncertain due to signal
Assessment of Wood Attributes using Remote
occlusion. In the sixth and last specific objective
Sensing (AWARE) (NSERC CRDPJ-462973-14,
the characterization of understory vegetation in
grantee N.C. Coops, UBC), respectively.
a Mediterranean forest by using the new ALSFW
metrics proposed and implemented in the software
tool WoLFeX was evaluated. Results showed that References
maximum and mean height, cover and volume Anderson, K., Hancock, S., Disney, M., Gaston,
of understory vegetation can be estimated very K.J. 2016. Is waveform worth it? A comparison
accurately at subplot- and plot-level using ALSFW of LiDAR approaches for vegetation and
data (Table 1 and Figure 2) (Crespo-Peremarch landscape characterization. Remo Sensing
et al., 2018b). In addition, and contrary to ALSD, in Ecology and Conservation, 2(1), 5-15.
the use of the proposed metrics makes that ALS https://doi.org/10.1002/rse2.8
data do not require a height filter to only keep data Crespo-Peremarch, P., Ruiz, L.A., Balaguer-Beser,
corresponding to understory vegetation. A., Estornell, J. 2018a. Analyzing the role of
pulse density and voxelization parameters on full-
The use of ALSD data is adequate for most of waveform LiDAR-derived metrics. ISPRS Journal
the current ALS applications. However, it pre- of Photogrammetry and Remote Sensing, 146, 453-
sents some limitations in the characterization of 464. https://doi.org/10.1016/j.isprsjprs.2018.10.012
Crespo-Peremarch, P., Tompalski, P., Coops, N.C., Pimont, F., Allard, D., Soma, M., Dupuy, J.L.,
Ruiz, L.A. 2018b. Characterizing understory 2018. Estimators and confidence intervals for
vegetation in Mediterranean forests using plant area density at voxel scale with T-LiDAR.
full-waveform airborne laser scanning data. Remote Sensing of Environment, 215, 343-370.
Remote Sensing of Environment, 217, 400-413. https://doi.org/10.1016/j.rse.2018.06.024
https://doi.org/10.1016/j.rse.2018.08.033
Wagner, W. 2010. Radiometric calibration of
Crespo-Peremarch, P., Ruiz, L.A. 2020. A full- small-footprint full-waveform airborne
waveform airborne laser scanning metric extraction laser scanner measurements: Basic physical
tool for forest structure modelling. Do scan angle concepts. ISPRS Journal of Photogrammetry
and radiometric correction matter? Remote Sensing, and Remote Sensing, 65(6), 505-513.
12(2), 292. https://doi.org/10.3390/rs12020292 https://doi.org/10.1016/j.isprsjprs.2010.06.007
Crespo-Peremarch, P., Fournier, R.A., Nguyen, V.-T.,
van Lier, O.R., Ruiz, L.A. 2020. A comparative
assessment of the vertical distribution of forest
components using full-waveform airborne, discrete
airborne and discrete terrestrial laser scanning data.
Forest Ecology and Management, 473, 118268.
https://doi.org/10.1016/j.foreco.2020.118268
García, M., Danson, F.M., Riaño, D., Chuvieco, E.,
Ramirez, F.A., Bandugula, V. 2011. Terrestrial laser
scanning to estimate plot-level forest canopy fuel
properties. International Journal of Applied Earth
Observation and Geoinformation, 13(4), 636-645.
https://doi.org/10.1016/j.jag.2011.03.006
Hevia, A., Álvarez-González, J.G., Ruiz-Fernández,
E., Prendes, C., Ruiz-González, A.D., Majada, J.,
González-Ferreiro, E. 2016. Modelling canopy fuel
and forest stand variables and characterizing the
influence of thinning in the stand structure using
airborne LiDAR. Revista de Teledetección, 45, 41-
55. https://doi.org/10.4995/raet.2016.3979
Kükenbrink, D., Schneider, F.D., Leiterer, R.,
Schaepman, M.E., Morsdorf, F., 2017. Quantification
of hidden canopy volume of airborne laser
scanning data using a voxel traversal algorithm.
Remote Sensing of Environment, 194, 424-436.
https://doi.org/10.1016/j.rse.2016.10.023
Mallet, C., Bretar, F. 2009. Full-waveform topographic
lidar: State-of-the-art. ISPRS Journal of
Photogrammetry and Remote Sensing, 64(1), 1-16.
https://doi.org/10.1016/j.isprsjprs.2008.09.007
Mell, W., McNamara, D., Maranghides, A., McDermott,
R., Forney, G., Hoffmanm, C., Ginder, M. 2011.
Computer modelling of wildland-urban interface
fires. In: Fire & Materials. San Francisco, CA, USA.
Molina, J.R., Rodriguez y Silva, F., Herrera,
M.A. 2011. Potential Crown fire behaviour
in Pinus pinea stands following different fuel
treatments. Forest Systems, 20(2), 266-277.
https://doi.org/10.5424/fs/2011202-10923
Revista de
ARTÍCULOS DE INVESTIGACIÓN
1 Monitorización de las concentraciones atmosféricas de metano y óxido nitroso a partir del
Metop/IASI
García, O., Schneider, M., Ertl, B., Sepúlveda, E., Borger, C., Diekmann, C., Hase, F., Khosrawi, F.,
Cansado, A., Aullé, M.
CASOS PRÁCTICOS
51 Análisis espacial y temporal de la temperatura superficial en la microcuenca Apacheta mediante
datos térmicos Landsat
Moncada, W., Willems, B.
TESIS DOCTORAL
95 Processing and analysis of airborne full-waveform laser scanning data for the characterization of
forest structure and fuel properties
Pablo Crespo-Peremarch
http://polipapers.upv.es/index.php/raet