Revista de

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

vii Información y normas para los autores

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.

13 Comparison of OMI-DOAS total ozone column with ground-based measurements in Argentina

Orte, P.F., Luccini, E., Wolfram, E., Nollas, F., Pallotta, J., D'Elia, R., Carbajal, G., Mbatha, N., Hlongwane, N.

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-
mero regular de la revista, en esta ocasión con cua-
tro artículos de investigación, tres casos prácticos
y una reseña de tesis doctoral. En los dos primeros
se describen y validan metodologías para la moni-
torización de las concentraciones de metano y de
óxido nitroso en la atmósfera, dos de los más im-
portantes gases de efecto invernadero, empleando
para ello datos del sensor IASI a bordo de los sa-
télites EUMETSAT/Metop, y para la estimación de
la columna total de ozono con el Ozone Monitoring
Instrument (OMI) de la NASA. En el tercer artículo
se analiza e interpreta la dinámica fenológica de la
vegetación en la península ibérica y Baleares me-
diante series temporales de NDVI obtenidas a partir
del producto MOD09Q1, definiendo ciclos fenológi-
cos de referencia para la zona. El cuarto trata sobre la
caracterización de bosques altamente fragmentados
en Costa Rica, para lo cual se evalúan cuatro algorit-
mos de clasificación diferentes partiendo de imáge-
nes Landsat-8 y Sentinel-2.
En los casos prácticos se analiza, por un lado, la
evolución temporal de la temperatura superficial del
suelo durante los últimos 34 años en un ecosistema
altoandino en Perú empleando series térmicas de
imágenes Landsat, registrando un incremento impor-
tante de esta variable. Por otro lado, también en los
ecosistemas andinos, se estudia la evolución tempo-
ral de la conectividad estructural entre dos páramos
colombianos, aspecto clave para la estabilidad del
hábitat y la movilidad de las especies. En el tercer
caso práctico se analiza la recuperación de la vege-
tación afectada por gran un incendio en Huelva en
2017, combinando varias fuentes de imágenes y ge-
nerando cartografía de severidad en varias fechas. El
número se cierra con la reseña de una tesis doctoral
en la que se ha explorado el uso de datos LiDAR
full-waveform para caracterizar la estructura forestal,
en particular el sotobosque, como elemento decisivo
para el cartografiado 3D de las propiedades de com-
bustibilidad de nuestros bosques.
Además de los números regulares de junio y di-
ciembre, en noviembre salió publicado un número
especial dedicado al uso y aplicaciones de las mi-
siones Sentinel del programa Copernicus, disponi-
ble en formato digital en la plataforma web de la
revista (https://polipapers.upv.es/index.php/raet/
issue/view/1010) y que cuenta con un conjunto de
artículos de gran interés y actualidad. Dejamos atrás
un año difícil para todos, que recordaremos siempre
pero que no nos impedirá imaginar el futuro con ilu-
sión. Desde el equipo editorial, queremos transmi-
tiros nuestros mejores deseos, salud y prosperidad
para 2021.
Luis Ángel Ruiz
Director - Revista de Teledetección
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN v
Información y normas para los autores
Revista de Teledetección es una publicación científico-
técnica de carácter semestral en la que se publican artí-
culos originales de investigación, relacionados con las
diversas aplicaciones de la Teledetección y con su desa-
rrollo metodológico. En secciones aparte, se presentan
Casos Prácticos que describen experiencias en las que
se utiliza la teledetección para desarrollar proyectos de
análisis y gestión territorial o para desarrollar misiones,
sensores o segmentos terrestres. Además, se incluyen
recensiones críticas de libros, programas y material
docente relacionado con métodos o aplicaciones de la
teledetección, así como resúmenes de tesis doctorales.
Revista de Teledetección se publica ininterrumpida-
mente desde 1993 y constituye el órgano de expresión
científica de la Asociación Española de Teledetección,
siendo una publicación de referencia en el ámbito de
los desarrollos y aplicaciones de esta tecnología. Los
artículos originales de investigación son sometidos a
un proceso de evaluación externa y anónima por pares,
por parte de miembros especialistas de la comunidad
científica nacional e internacional de teledetección, su-
pervisado y coordinado por el Consejo de Redacción.
Revista de Teledetección se compromete a comunicar a
los autores la aceptación o rechazo de los manuscritos
en un plazo de 3 meses.
1. Indexación
Revista de Teledetección se encuentra indexada en
Scopus (http://www.scopus.com), Emerging Sources
Citation Index, en el Catálogo LATINDEX (https://
www.latindex.unam.mx) y DICE (http://epuc.cchs.csic.
es/dice/), en las bases de datos ISOC e ICYT (Instituto
de Estudios Documentales sobre Ciencia y Tecnología,
IEDCYT-CSIC), MIAR (http://miar.ub.edu/es), DOAJ
y SHERPA/RoMEO. A través del portal de difusión
electrónica de revistas científicas DIALNET de la
Universidad de La Rioja (http://dialnet.unirioja.es), del
sitio web de la Asociación Española de Teledetección
(http://www.aet.org.es/?q=numeros) y de la plata-
forma OJS de la revista (http://polipapers.upv.es/
index.php/raet) se puede acceder a sus contenidos en
formato .pdf. Revista de Teledetección forma parte de
e-revist@s, una Plataforma Open Access de Revistas
Científicas Electrónicas españolas y latinoamerica-
nas (http://www.erevistas.csic.es), y posee el Sello de
Calidad FECYT desde 2014.
2. Presentación de originales
A partir de 2014, el envío de originales se realiza a tra-
vés de la plataforma digital OJS (http://polipapers.upv.
es/index.php/raet/), siguiendo las instrucciones que
aparecen en el margen derecho (Submissions-Author
Guidelines). Es preciso registrarse como autor la pri-
mera vez, o simplemente identificarse y acceder al per-
fil de autor en caso de estar ya registrado.
2.1.  Artículos científicos
Los artículos deberán ser obligatoriamente origina-
les e inéditos. El trabajo no excederá de 25 páginas
(DIN-A4) incluidos resúmenes, figuras, tablas y refe-
rencias. Los trabajos deberán ir precedidos de título
y resúmenes en español e inglés, finalizando con las
palabras clave también en español e inglés. Para fa-
cilitar la edición se recomienda escribir los artículos
utilizando la plantilla Word disponible en el siguiente
enlace: http://polipapers.upv.es/index.php/raet/about/
submissions#onlineSubmissions
El Consejo de Redacción seleccionará los artículos en
función de su calidad y originalidad. Para desarrollar
esta tarea de supervisión, contará con la colaboración
de especialistas de la comunidad científica nacional e
internacional de teledetección quienes, de forma anó-
nima, informarán sobre la conveniencia o no de la
publicación de los artículos evaluados o, en su caso,
sobre las modificaciones que el autor deberá incluir en
el trabajo. La maquetación final del artículo se realizará
desde la secretaría de la revista, una vez que se haya
recibido la versión final del mismo, aprobada por el
Consejo de Redacción.
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN vii
 Es recomendable ajustarse a los siguientes criterios:
• Título en minúsculas, excepto la primera letra.
Además del título en español, los autores indicarán el
título del artículo en inglés.
• A continuación, autores e institución en la que tra-
bajan, dirección y correo electrónico para el autor
principal.
• Resumen / Abstract y palabras clave / keywords
(mínimo de 5), en inglés y español.
• Texto principal: las secciones principales irán nu-
meradas, en minúsculas y negrita tamaño 14, y las
sub-secciones en minúsculas y negrita tamaño 12.
• Las líneas irán numeradas correlativamente desde el
inicio hasta el final del texto.
• Referencias. Tablas. Pies de figura y figuras, inser-
tadas en la parte final del documento.
• Las citas de autor, en el texto, irán en minúscula (Ej.
Fernández, 2006 ó Fernández et al., 2005).
• Las tablas y figuras deberán llevar un título y estar
numeradas consecutivamente. Se indicará su inser-
ción en el texto indicando: “Insertar fig. XX”. Las
figuras pueden insertarse al final del texto para la ver-
sión de evaluación, pero se requerirá posteriormente
remitirlas en ficheros gráficos (tif, jpg), con suficiente
resolución (300 ppp o superior). Se debe prestar es-
pecial atención a la rotulación, para que sean legibles
al tamaño final de reproducción. Se pueden incluir
figuras en color, aunque conviene considerar que sólo
se reproducirán en color para la edición electrónica
de la revista, siendo en blanco y negro para la ver-
sión impresa. Las tablas se enviarán en un archivo
de Microsoft  Excel independiente, evitando figuras.
• Se intentará evitar la inclusión de notas a pie de pá-
gina. En caso necesario, la numeración será correlati-
va. Se indicarán en el texto como superíndices.
Las referencias irán al final del texto del artículo y sólo
se incluirán las citadas en el texto. Estarán dispuestas
por orden alfabético según el apellido del autor o au-
tores, nombre o nombres propios con inicial, seguido
de la fecha, título en cursiva, lugar de edición y edi-
torial (Bovik, A.C. 2010. Handbook of image and vi-
deo processing. New York: Elsevier). Los artículos de
revista se redactarán como sigue: apellidos del autor o
autores con las iniciales de sus nombres propios, fecha
de edición, título del trabajo, nombre de la revista en
cursiva, volumen en cursiva, número (entre paréntesis),
primera y última página (Ej. Benz, U. C., Hofmann,
P., Willhauck, G., Lingenfelder, I., Heynen, M. 2004.
Multi-resolution, object-oriented fuzzy analysis of re-
mote sensing data for GIS-ready information. ISPRS
Journal of Photogrammetry and Remote Sensing,
58(3), 239-258).
viii
2.2. Presentación de casos prácticos
La revista incluirá una sección que describa experiencias
prácticas en las que se haya utilizado la teledetección
para desarrollar un proyecto de gestión o análisis terri-
torial, desarrollo de misiones, sensores, segmentos te-
rrestres, etc. Su objetivo es mostrar ejemplos de cómo la
teledetección se emplea en situaciones prácticas. Estos
artículos seguirán el proceso de revisión estándar de la
revista y la misma estructura formal de los artículos,
aunque las referencias bibliográficas serán más sucintas.
2.3. Críticas de libros o programas
Se incluirán recensiones críticas de libros, programas o
material docente relacionados con métodos o aplicacio-
nes de la teledetección, así como resúmenes de tesis doc-
torales. Se incluirán en las mismas los datos completos
de la obra: ficha bibliográfica del libro, datos de referen-
cia del programa (incluyendo versión, coste, dirección
de contacto), o de la página web comentada (incluyendo
último acceso), así como los del autor de la crítica.
Todos los trabajos se enviarán a través de la plataforma digi-
tal de la revista (http://polipapers.upv.es/index.php/raet).
3. Asociación Española de Teledetección
La Asociación Española de Teledetección (AET) se
inscribió en el Registro de Asociaciones del Ministerio
del Interior el 8 de Septiembre de 1988 con el número
nacional 81537.
Los fines son fomentar, facilitar, aunar y difundir los
trabajos de investigación interdisciplinar en todos los
aspectos de la Teledetección en España mediante:
a) Organización de reuniones, periódicas o no, para la
exposición y discusión de trabajos científicos.
b) Revista, actas, boletines y servicios de información
bibliográfica.
c) Organización de cursillos, conferencias y publicacio-
nes para la difusión de la investigación científica en la
relación de la Teledetección.
d) Creación de Grupos temáticos de trabajo para el estu-
dio de problemas concretos.
e) Fomento de las enseñanzas y estímulo de la investiga-
ción en relación con las ramas de la ciencia vinculadas
con Teledetección.
f) La ejecución de cualesquiera otros fines en relación
con la actividad principal, siempre que sean compa-
tibles con las disposiciones legales y con las normas
dictadas al efecto por los organismos competentes.
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

Monitorización de las concentraciones atmosféricas de

metano y óxido nitroso a partir del Metop/IASI
García, O.*1, Schneider, M.2, Ertl, B.2,3, Sepúlveda, E.1, Borger, C.2,a, Diekmann, C.2, Hase, F.2,
Khosrawi, F.2, Cansado, A.4, Aullé, M.4

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.

Monitoring of atmospheric methane and nitrous oxide concentrations from Metop/IASI

Abstract: Future of the Earth-atmosphere system will depend, to a large extent, on our capability of understanding
all the processes driving climate change and, in this context, of outstanding importance are the monitoring and the
investigation of greenhouse gases (GHGs), as main drivers of the Earth’s climate change. With this idea the project
INMENSE (IASI for Surveying Methane and Nitrous Oxide in the Troposphere) was born, which aims to improve our
current understanding of the atmospheric budgets of two of the most important well-mixed greenhouse gases,
methane (CH4) and nitrous oxide (N2O). To this end, INMENSE has generated a new global observational data set
of middle/upper tropospheric concentrations of CH4 and N2O from the space-based remote sensor IASI (Infrared

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.
1. Introducción
Múltiples evidencias en el sistema Tierra-
atmósfera indican que el calentamiento global, y
sus consecuencias climáticas, son ya una realidad.
Las diferentes observaciones y registros meteoro-
lógicos a nivel global indican, unívocamente, que
la temperatura media del planeta ha aumentado
1 °C en el último siglo, produciéndose una rápida
aceleración a partir de la década de 1980. Este ca-
lentamiento global ha venido acompañado, entre
otros fenómenos, de una disminución del volumen
disponible de nieve y hielo a nivel global, así
como un aumento del nivel del mar (IPCC, 2013).
El IPCC (2013) reconoce, además, que este calen-
tamiento ha sido inducido principalmente por las
actividades humanas desde la era pre-industrial y
establece la necesidad de reducir las emisiones at-
mosféricas de Gases de Efecto Invernadero (GEIs)
sustancial y sostenidamente, como principales
causantes del calentamiento observado.
Después del dióxido de carbono (CO2), el metano
(CH4) y el óxido nitroso (N2O) son actualmente
los GEIs más importantes. Aunque menos abun-
dantes que el CO2, son mucho más eficientes
atrapando la radiación térmica en la atmósfera (25
y 300 veces para el CH4 y N2O, respectivamente)
(IPCC, 2013). Además, similarmente al CO2, sus
concentraciones acumuladas en la atmósfera han
aumentado continuamente durante los últimos si-
glos, superándose los registros pre-industriales en
aproximadamente un 150% y un 20% para CH4 y
N2O, respectivamente (IPCC, 2013). Sin embargo,
la ubicación exacta, la intensidad y la naturaleza
de sus fuentes y sumideros presentan aún grandes
incertidumbres (Crevoisier et al., 2009). El conoci-
miento de sus fuentes y sumideros, su distribución
espacial y su variabilidad temporal son esenciales
para entender su papel en los ciclos de carbono
y nitrógeno atmosférico, así como para predecir
2 REVISTA DE TELEDETECCIÓN (2020) 57, 1-11
exactamente su impacto en el sistema climático
o para proporcionar recomendaciones precisas
sobre las reducciones en sus emisiones, que serían
necesarias para limitar el calentamiento global
actual y futuro, y sus consecuencias climáticas.
Una de las principales limitaciones para abordar
estos retos es la falta de observaciones precisas
de la composición atmosférica en diferentes es-
calas espaciales y temporales. En este sentido, la
monitorización desde el espacio juega un papel
fundamental en la investigación del sistema climá-
tico. Entre los sensores remotos actuales a bordo
de plataformas espaciales, el instrumento IASI
(Infrared Atmospheric Sounding Interferometer)
tiene una especial relevancia, ya que combina
eficazmente los requisitos para la predicción
meteorológica (alta cobertura espacial y buena
resolución temporal) y los necesarios para la
observación de gases traza atmosféricos, como el
CH4 y el N2O (muy buena relación señal-ruido y
una alta resolución espectral), con una larga dispo-
nibilidad de datos. La misión IASI está garantizada
entre 2007-2022 a bordo de la serie de satélites
meteorológicos Metop, los cuales forman el seg-
mento espacial del Sistema Polar de EUMETSAT
(Organización Europea para la Explotación de
Satélites Meteorológicos, www.eumetsat.int).
Estas características convierten a la misión IASI
en un componente clave del programa de observa-
ción del sistema climático.
En este contexto, el proyecto de investigación
INMENSE (IASI for Surveying Methane and
Nitrous Oxide in the Troposphere) explora el
potencial del sensor remoto IASI para propor-
cionar distribuciones globales de CH4 y N2O con
el objetivo de mejorar nuestro conocimiento del
balance atmosférico de estos importantes GEIs. El
presente trabajo tiene como objetivo sintetizar los
principales resultados del proyecto INMENSE,
Monitorización de las concentraciones atmosféricas de metano y óxido nitroso a partir del Metop/IASI
presentando los nuevos productos de CH4 y N2O
IASI generados dentro del proyecto, así como su
completa caracterización y validación. Para ello, la
sección 2 describe el sensor remoto IASI así como
los nuevos productos CH4 y N2O obtenidas a partir
de sus observaciones y su completa caracterización
en términos de la sensibilidad vertical y errores
estimados. Además, se detallan los datos auxiliares
empleados para su validación (observaciones de
referencia y simulaciones del modelo de transpor-
te químico MOCAGE). La Sección 3 presenta la
comparativa con las dos bases de datos, mientras
que la Sección 4 resume los principales resultados
de este trabajo.
2. Metodología
2.1. Sensor IASI
El sensor remoto IASI es un espectrómetro de
infrarrojo por transformada de Fourier (FTIR),
desarrollado conjuntamente por EUMETSAT y el
CNES (Centro Nacional de Estudios Espaciales,
https://cnes.fr/fr), que mide la radiación tér-
mica emitida por la superficie de la Tierra y la
atmósfera entre 645-2760 cm-1 de forma continua
con una resolución espectral de 0,5 cm-1 (i.e.,
8461 observaciones espectrales). Escanea la su-
perficie terrestre en píxeles individuales de 12 km
de diámetro en el nadir, cubriendo una superficie
horizontal de aproximadamente 2200 km en cada
barrido. Este instrumento vuela a bordo de los
satélites meteorológicos EUMETSAT/Metop, que
operan en órbita polar síncrona al Sol a una altitud
de 817 km, realizando 14 órbitas al día alrededor
de la Tierra. Esta configuración de medida hace
que el sensor IASI proporcione observaciones
globales dos veces al día (09:30 y 22:30 hora solar
local), generando aproximadamente 1,25 millones
de espectros por día.
Actualmente hay tres sensores IASI en órbita en
Metop-A (desde 2006), Metop-B (desde 2012) y
Metop-C (desde 2018), que operan en una órbita
coplanaria. Sus respectivos pases se realizan con
una diferencia aproximada de 30 minutos, lo que
ofrece la oportunidad de combinar las observacio-
nes de los tres sensores.
2.2. Estrategia de inversión del CH4 y N2O
Los perfiles de concentraciones de gases atmosfé-
ricos se pueden derivar analizando la deformación
de las líneas de absorción gaseosa debida a la
presión atmosférica observada en los espectros
de alta resolución medidos por el IASI. Para ello,
basado en el formalismo de Rodgers (2000), el
espectro IASI (y) se relaciona con el estado de
la atmósfera (x) y con parámetros auxiliares (p)
a través de una función modelo F, que describe el
proceso físico de medida, i.e., la interacción de la
radiación térmica con la atmósfera, tal que:
y=F(x,p)(1)
El proceso de inversión de x está mal-condicionado,
ya que existen múltiples estados de la atmósfera
(x) que producen casi idénticos espectros (y). Para
resolverlo, la solución es condicionada definiendo
una función de coste (Ecuación 2), cuyo mínimo
será el estado de la atmósfera solución:
[y-F(x,p)]TSy-1[y-F(x,p)] + [x-xa]TSa-1[x-xa](2)
El primer término representa la diferencia entre el
espectro medido (y) y el simulado para un estado
dado de la atmósfera (x), donde Sy es la matriz de
covarianza de [y-F(x,p)] que da cuenta de la señal
medida que no es capturada correctamente por
el modelo F. El segundo término es el factor de
regularización, el cual fuerza la solución (x) hacia
el estado a priori más probable (xa), donde Sa es la
matriz de covarianza a priori que define el tipo y
fuerza de la regularización.
Basado en estos principios, el proyecto INMENSE
emplea el procesador IASI desarrollado durante
el proyecto europeo MUSICA (MUlti-platform
remote Sensing of Isotopologues for investigating
the Cycle of Atmospheric water, Schneider et al.,
2016).
Este procesador (en lo sucesivo procesador
MUSICA IASI) deriva concentraciones de CH4
y N2O con diferentes isótopos de vapor de agua
(junto a HNO3), analizando el espectro térmi-
co de emisión medido por el sensor IASI en el
rango 1190-1140 cm-1 con el algoritmo de inver-
sión PROFFIT-nadir (Schneider y Hase, 2011).
Particularmente, los perfiles verticales de CH4 y
N2O son derivados en escala logarítmica usando
el método de inversión ad-hoc Tikhonov-Phillips
(Tikhonov, 1963).
Las interferencias de vapor de agua son muy al-
tas en la región espectral analizada, como ilustra
la Figura 1. En ella se muestra un ejemplo de un
espectro medido por el sensor IASI y el simulado
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 3
 García et al.

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-
bio espectral en la radiancia medida por el IASI
debido a variaciones típicas en las concentracio-
nes atmosféricas de CH4 (+5%), de N2O (+2%)
y del H2O (+100%). Como se observa, la huella
espectral de las variaciones del H2O es un orden
de magnitud mayor que la señal del CH4 y N2O,
lo que implica que la calidad de las estimaciones
de estos gases estará condicionada a interpretar
correctamente las interferencias espectrales de los
diferentes isótopos de vapor de agua. Por ello, el
procesador MUSICA IASI emplea un sofisticado
método de inversión basado en la aproximación de
Estimación Óptima para derivar las concentracio-
nes de los diferentes isótopos de vapor de agua y
reducir así su influencia (Schneider et al., 2016).
La región analizada además incluye absorción de
HNO3 y de CO2, por lo que ambos gases son inver-
tidos simultáneamente con el resto de especies. Por
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°.

4 REVISTA DE TELEDETECCIÓN (2020) 57, 1-11

Monitorización de las concentraciones atmosféricas de metano y óxido nitroso a partir del Metop/IASI
la estimación simultánea del perfil de la tempera-
tura atmosférica, así como de la temperatura de la
superficie. Un ejemplo de la distribución global de
CH4 troposférico (4,2 km s.n.m.) invertido con el
procesador MUSICA IASI para agosto de 2017 se
muestra en la Figura 2, donde se han promediado
las observaciones individuales del Metop-A/IASI
y Metop-B/IASI para un área longitud × latitud de
2°×2° para una mejor visualización de los patrones
a escala global.
Nótese que en este trabajo solo se analizan obser-
vaciones de IASI de CH4 y N2O para píxeles libres
de nubes, los cuales se filtran considerando los
productos de nubes distribuidos por EUMETSAT
en el nivel L2 (August et al., 2012). Para más de-
talles sobre la estrategia de inversión consultar a
García et al. (2018).
2.3. Caracterización del CH4 y N2O:
sensibilidad vertical y estimación de
errores
La sensibilidad de un sensor remoto es carac-
terizada en el proceso de inversión mediante la
matriz averaging kernel (A). En el caso de per-
files atmosféricos, A da cuenta de los cambios
en el perfil invertido (x´) respecto a cambios en
el perfil atmosférico real (x), relacionando ambas
magnitudes como:
(x´–xa) = A(x–xa)(3)
En particular, las filas de la matriz A describen
las altitudes de las capas que contribuyen al perfil
invertido y en qué medida, representando así la
resolución y sensibilidad vertical que puede ser
alcanzada por el sistema remoto (Rodgers, 2000).
Como una medida de la sensibilidad total, la traza
de A (conocida como DOFS -Degrees of Freedom
for Signal) proporciona el número total de capas
independientes detectables por el sensor remoto.
Así, cuanto mayor es el DOFS, más información
es extraída de la medida del instrumento. Un ejem-
plo de las filas de A para una observación típica en
medias latitudes del sensor IASI, y su correspon-
diente valor de DOFS, se muestra en la Figura 3.
En este caso, pero también de forma general, para
el N2O se obtienen menores DOFS totales que para
el CH4 (1,4 vs. 1,7, respectivamente), lo que indica
que el producto IASI CH4 ofrece una mejor sen-
sibilidad que las observaciones de N2O. Mientras
Figura 3. Ejemplo de averaging kernels (filas de la matriz
A en escala logarítmica) para una observación del sensor
IASI sobre tierra a latitudes medias (≈50°N) en verano.
En gris se muestran las filas de A para diferentes altitudes,
mientras que las líneas roja y azul representan la A a la
altitud de 4,2 km s.n.m. y 10,9 km s.n.m., respectivamente.
El valor del DOFS total se incluye también en la figura.
que para N2O la sensibilidad está principalmente
limitada a la región de la UTLS (alta troposfe-
ra-baja estratosfera, representada en la Figura 3
por la A a 10,9 km s.n.m.), el producto IASI de
CH4 puede detectar variaciones que tienen lugar
en la troposfera libre (representada en la Figura 3
por la A a 4,2 km s.n.m.) independientemente de
aquellas que se producen en la región de la UTLS.
La sensibilidad y resolución vertical del sensor
IASI depende de las variaciones del contraste tér-
mico entre la superficie y las capas más bajas de
la atmósfera, por lo que varía especialmente con la
latitud de la observación, pero también con la épo-
ca del año, la superficie de la observación (tierra
u océano), así como con la hora del día del pase
del sensor IASI (≈09:30 y 21:30 hora solar local).
La máxima sensibilidad se alcanza, por tanto, para
aquellas observaciones que favorecen el mayor
contraste térmico en los niveles bajos de la tro-
posfera, i.e., en latitudes tropicales, en los meses
cálidos, sobre tierra y por la mañana. Por ejemplo,
para el N2O pasamos, en promedio, de DOFS to-
tales de 1,4 a 1,2 de las regiones tropicales a las
polares, mientras que para el CH4 la disminución
es de 1,8 a 1,4. El resto de factores proporcionan
variaciones significativas, pero menores del 10%.
La caracterización de los productos IASI se com-
pleta con una estimación teórica de errores, que
nos permite identificar las fuentes de error más
importantes, y por tanto susceptibles de mejora en
la estrategia de inversión, así como cuantificarlos.
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 5
 García et al.

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).

6 REVISTA DE TELEDETECCIÓN (2020) 57, 1-11

Monitorización de las concentraciones atmosféricas de metano y óxido nitroso a partir del Metop/IASI
latitudes medidas de Karlsruhe (49,1°N, 8,9°E,
0,1 km s.n.m) y la estación polar de Kiruna
(67,8°N, 20,4°E, 0,4 km s.n.m).
2.4.2. Modelo MOCAGE
Las estimaciones de modelos de transporte quí-
mico son herramientas muy útiles para realizar
tanto validaciones de las observaciones sateli-
tales, como para analizar hasta qué punto estas
observaciones pueden capturar las emisiones
superficiales de GEIs, y otros gases traza, y su
transporte en la atmósfera. Por ello, INMENSE
integra las observaciones IASI con las simulacio-
nes del modelo de transporte químico MOCAGE
(Modélisation de la Chimie Atmosphérique
Grande Echelle, Josee et al., 2004). MOCAGE
es un modelo global tridimensional de transporte
y química atmosférica, que proporciona simula-
ciones numéricas de las interacciones entre los
procesos dinámicos, físicos y químicos en la tro-
posfera y la estratosfera, tanto para gases como
para aerosoles. Este modelo es ampliamente
utilizado, tanto a nivel operativo como de inves-
tigación, especialmente en las simulaciones de
concentraciones de gases traza y material parti-
culado asociados a la calidad del aire (Teyssèdre
et al., 2007; Meteo-France et al., 2017; Brocchi
et al. 2018). No obstante, existen también nu-
merosos ejemplos en la literatura del uso de
MOCAGE para analizar las emisiones y transpor-
te en la atmósfera de las concentraciones de CH4
y N2O, comparando con otros modelos químicos
de transporte (p.e., SLIMCAT, CNRMAOCCM
o LMDz-ORINCA), así como observaciones de
sensores a bordo de plataformas espaciales (p.e.,
FTIR IASI, radar TRMM, radiómetro ODIN,
FTIR SCIAMACHY, FTIR TANSO, FTIR AIRS
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.]
HIPPO 67°S-80°N, 2009-2011 4,2
9,8
GAW Izaña, 2007-2016 2,3
Junfraujoch, 2007-2013 3,8
NDACC Izaña, 2007-2017 4,2
FTIR 12,0
Karlsruhe, 2010-2017 4,2
10,9
Kiruna, 2007-2016 4,2
9,8
o MOPITT) (Teyssèdre et al., 2007; Ricaud et al.,
2009; Naik et al., 2013; Ricaud et al., 2014). En
general, estos estudios muestran que existe un
buen acuerdo entre las estimaciones MOCAGE
y el resto de bases de datos, atribuyendo las ma-
yores discrepancias a errores en la simulación de
procesos dinámicos regionales y/o hemisféricos.
En este trabajo se emplea la configuración
MOCAGE implementada en AEMet. Esta con-
figuración cuenta con una estructura vertical de
47 niveles híbridos que se extienden desde la
superficie hasta 0,1 hPa (~60 km) y emplea el es-
quema químico RACMOBUS, que comprende 119
especies y 372 reacciones y fotólisis (Lefèvre et al.,
1994, Stockwell et al., 1997). Las emisiones de los
componentes químicos se estiman únicamente en
superficie, empleando para ello el inventario de emi-
siones global del IPCC/EMEP con una resolución
de 50 km y con el inventario de TNO_MACC-III
para la zona continental europea con año base
2011 y con una resolución horizontal aproximada
de 7 km. Para una descripción detallada sobre la
configuración MOCAGE implementada en AEMet
consultar www.aemet.es/es/eltiempo/prediccion/
calidad_del_aire/ayuda. Nótese que los productos
MOCAGE de CH4 and N2O empleados aquí no
son operativamente distribuidos por AEMet, sino
que se han generado ex profeso para el proyecto
INMENSE.
3. Resultados y discusión
3.1. Comparación con observaciones de
referencia
La Tabla 1 resume la comparación entre la base
de datos de referencia y los productos de IASI
N2O MD; IP68 [%] CH4 MD; IP68 [%]
+2,0; 1,7 -2,0; 2,0
-0,5; 2,5 +1,5; 2,0
-0,4; 1,3 -4,9; 1,4
+6,9; 2,1 -2,9; 2,7
+2,9; 1,3 -5,8; 1,6
-0,5; 1,3 +2,8; 1,3
+5,1; 1,5 +0,1; 1,9
+1,5; 1,5 +5,1; 1,5
+7,3; 1,9 +2,7; 2,3
+1,8; 1,5 +2,3; 1,4
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 7
 García et al.
de CH4 y N2O. La comparativa con los perfiles
verticales HIPPO sugiere una precisión y un error
sistemático del 2 %, valores que están en buen
acuerdo con la caracterización teórica presentada
en la Sección 2.3. La limitada sensibilidad vertical
del IASI, la cual presenta una marcada dependen-
cia latitudinal asociada al contraste térmico de
las capas bajas de la atmósfera y la altura de la
tropopausa, es el principal factor que condiciona
la comparabilidad y precisión de los nuevos pro-
ductos IASI. Asimismo, debe tenerse en cuenta
la diferente huella del CH4 y N2O en el espectro
de emisión medido por el IASI y la variabilidad
espacio-temporal de sus concentraciones atmos-
féricas. En particular, la cobertura geográfica de
las cinco misiones HIPPO nos permite analizar
si los nuevos productos IASI capturan adecua-
damente las variaciones latitudinales. Se observa
que mientras los gradientes troposféricos del N2O
son muy débiles (menores 0,5%) y no pueden ser
detectados, las variaciones de CH4 son mucho
más intensas (diferencias mayores del 5%). Esta
diferencia es más alta que la precisión obtenida
para el producto de CH4, especialmente en las
zonas tropicales y subtropicales, donde la sensi-
bilidad vertical del IASI es mayor, por lo que los
datos MUSICA IASI pueden cualitativamente
capturar los gradientes de CH4 entre bajas y altas
latitudes y entre el hemisferio Sur y el hemisferio
Norte. No obstante, como apunta la estimación
teórica de errores, la precisión de los productos
IASI mejoraría en la medida que se reduzcan las
incertidumbres en la caracterización del perfil de
temperatura atmosférica. Respecto a los errores
sistemáticos, el valor encontrado en torno al 2%
se puede explicar por incertidumbres en los pará-
metros espectroscópicos (base de datos HITRAN
2016), empleados para la simulación de las líneas
de absorción del CH4 y N2O presentes en los es-
pectros de emisión medidos por el sensor IASI, tal
y como muestra la estimación teórica de errores
presentada en la Sección 2.3.
Las comparaciones con los datos de referencia
NDACC FTIR y GAW en un periodo de 10 años
confirman la precisión obtenida con la compa-
ración HIPPO, así como la consistencia a largo
plazo de los productos MUSICA IASI. En el caso
de los productos NDACC FTIR se encuentra un
error sistemático mayor que con el resto de téc-
nicas de referencia, debido a que estos productos
también presentan su propio error sistemático de
8 REVISTA DE TELEDETECCIÓN (2020) 57, 1-11
~2% (García et al., 2016). Asimismo, se encuentra
una inconsistencia entre las observaciones de CH4
a bajas y altas latitudes de hasta el 5%, lo cual está
en buen acuerdo con lo observado con la compa-
rativa HIPPO (García et al., 2018). García et al.
(2018) también mostró, realizando un análisis
en diferentes escalas temporales, que los datos
MUSICA IASI pueden detectar las variaciones
día-a-día (solamente en la UTLS), ciclos estacio-
nales y evolución a largo plazo (en la UTLS y para
el CH4 también en la troposfera libre). Se confirma
así la capacidad del nuevo producto IASI CH4 de
diferenciar las señales troposféricas de la UTLS,
especialmente, a bajas latitudes, como se docu-
mentó en la Sección 2.3., mientras que para el N2O
las diferentes comparaciones confirman que la
sensibilidad está limitada a la región de la UTLS.
3.2. Comparación con MOCAGE sobre la
península ibérica
Las Figuras 5 y 6 resumen la comparativa de las
observaciones IASI y las correspondientes simu-
laciones MOCAGE sobre la península ibérica,
mostrando la distribución espacial de las diferen-
cias medias (IASI-MOCAGE) y el coeficiente
de correlación de Pearson entre ambas bases de
datos para las concentraciones troposféricas y
en la UTLS del CH4 y N2O. Esta comparación
ha sido realizada promediando diariamente las
observaciones individuales del Metop-A/IASI y
Metop-B/IASI en áreas de 0,5°x0,5°, mientras que
las simulaciones diarias MOCAGE, obtenidas con
la configuración de más alta resolución implemen-
tada en AEMet (0,1°×0,1°), se promediaron en las
mismas áreas de 0,5°×0,5°.
Consistentemente para ambos gases, las diferen-
cias sistemáticas muestran una dependencia con
el tipo de superficie sobre el que se realizan las
observaciones IASI, observando peor acuerdo
sobre los píxeles de tierra que sobre mar. Este
patrón podría sugerir problemas en el tratamiento
de la emisividad superficial en la inversión de
las observaciones IASI, la cual presenta menor
incertidumbre para píxeles oceánicos (August
et al., 2012) o la influencia del perfil vertical de
la temperatura atmosférica, el cual presenta mayor
contraste en las zonas de tierra. También debería
tenerse en cuenta la posible subestimación de los
inventarios de emisiones consideradas en el mode-
lo MOCAGE (con base en el año 2011).
Monitorización de las concentraciones atmosféricas de metano y óxido nitroso a partir del Metop/IASI

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
un acuerdo débil en la troposfera para ambos
gases, aunque el CH4 muestra valores de corre-
lación ligeramente más altos que el N2O, lo cual
sería esperable de la mayor sensibilidad vertical
observada para este gas. Respecto a la UTLS, las
observaciones IASI y las simulaciones MOCAGE
del CH4 y N2O muestran mejor acuerdo (menores
errores sistemáticos y correlaciones más altas),
lo que podría indicar que reproducen de manera
similar la dinámica estacional de la altura de la
tropopausa, con máximos en la primavera/vera-
no y mínimos en invierno. Este resultado está
de acuerdo con la caracterización teórica de los
productos IASI y con validación con las observa-
ciones de referencia independientes.

Figure 6. Ídem a Figura 5, pero para el N2O. Nótese que las unidades en las diferencias medias son ppbv.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 9

 García et al.
La zona analizada de tan solo 12° en latitud
no permite apreciar dependencia latitudinal en
los errores medios ni en la correlación, pero si
cabe destacar que especialmente el producto de
CH4 muestra menores errores (y valores de co-
rrelación ligeramente más altos) sobre océano a
latitudes más bajas.
La comparativa IASI-MOCAGE sugiere que am-
bos sistemas podrían capturar la dinámica de la
alta troposfera de forma coherente, pero eviden-
cia claramente que no son comparables en la baja
troposfera. Asimismo, pone de manifiesto que
serían necesarios refinamientos en las estrategias
de inversión IASI (mejorar la caracterización
de la emisividad superficial o la temperatura
atmosférica) y en las estimaciones MOCAGE
(incluyendo, por ejemplo, actualizaciones de los
inventarios de emisiones) para reducir las discre-
pancias encontradas.
4. Resumen y conclusiones
Este trabajo explora el potencial del sen-
sor remoto IASI, a bordo de los satélites
polares EUMETSAT/Metop, para proporcionar
distribuciones globales de las concentraciones
atmosféricas de dos de los más importantes gases
de efecto invernadero, el CH4 y el N2O, a través
del proyecto de investigación INMENSE.
La completa caracterización teórica, así como
la extensa validación presentada a través de la
comparativa con una base de datos de referencia
multi-plataforma (perfiles in-situ de avión, me-
didas in-situ y de FTIR en superficie), sugiere
que los productos IASI de CH4 y N2O tienen una
precisión entre el 1-3 % y un error sistemático del
2 %. Estos valores son suficientes para capturar
los gradientes latitudinales del CH4 troposférico,
así como su evolución anual, pero insuficientes
para la débil variación latitudinal y estacional
del N2O. Para este GEI la sensibilidad del IASI
se limita a la región de la alta troposfera/baja
estratosfera.
La comparativa con las simulaciones del modelo
de transporte químico MOCAGE ha evidenciado
que las estimaciones de las concentraciones de
CH4 y N2O de ambas bases de datos no son com-
parables en la baja troposfera. Por tanto, serían
necesarias mejoras significativas para investigar,
a través de las simulaciones MOCAGE, el tipo
10 REVISTA DE TELEDETECCIÓN (2020) 57, 1-11
señales de fuentes/sumideros de CH4 y N2O que
pueden ser capturadas por las observaciones
IASI, así como su transporte en la atmósfera. No
obstante, los nuevos productos IASI parecen cap-
tar similarmente a las simulaciones MOCAGE
la dinámica de la alta troposfera, lo cual está de
acuerdo con la validación experimental realizada
con observaciones independientes de referencia.
Agradecimientos
Este trabajo se ha beneficiado de los fondos reci-
bidos del ERC (European Research Council) para
el proyecto MUSICA (FP7/(2007-2013)/ERC
n◦256961), del Deutsche Forschungsgemeinschaft
para el proyecto MOTIV (Geschäftszeichen
SCHN1126/21), del Ministerio de Economía y
Competitividad de España a través de los pro-
yectos NOVIA (CGL2012-37505) e INMENSE
(CGL2016-80688P), del Ministerio de Educación,
Cultura y Deporte a través del programa “José
Castillejo” (CAS14/00282), y de EUMETSAT
para el proyecto VALIASI. Además, nos gustaría
agradecer a la red NDACC, al programa de GAW/
WMO, así como a la NSF (National Science
Foundation) y a la NOAA (National Oceanic and
Atmospheric Administration) por su soporte en la
adquisición de las medidas FTIR, in-situ y campa-
ñas HIPPO, respectivamente.
Referencias
August, T., Klaes, D., Schlüssel, P., Hultberg, T.,
Crapeau, M., Arriaga, A., O’Carroll, A., Coppens,
D., Munro, R., Calbet, X. 2012. IASI on Metop-A:
Operational Level 2 retrievals after five years
in orbit, Journal of Quantitative Spectroscopy
and Radiative Transfer, 113, 1340-1371.
https://doi.org/10.1016/j.jqsrt.2012.02.028
Brocchi, V., Krysztofiak, G., Catoire, V., Guth, J.,
Marécal, V., Zbinden, R., El Amraoui, L., Dulac,
F., Ricaud, P. 2018. Intercontinental transport of
biomass burning pollutants over the Mediterranean
Basin during the summer 2014 ChArMEx-GLAM
airborne campaign, Atmospheric Chemistry and
Physics, 18, 6887-6906. https://doi.org/10.5194/
acp-18-6887-2018
Crevoisier, C., Nobileau, D., Fiore, A.M., Armante,
R., Chédin, A., Scott, N.A. 2009. Tropospheric
methane in the tropics – first year from IASI
hyperspectral infrared observations, Atmospheric
Chemistry and Physics, 9, 6337-6350.
https://doi.org/10.5194/acp-9-6337-2009
Monitorización de las concentraciones atmosféricas de metano y óxido nitroso a partir del Metop/IASI
García, O.E., Sepúlveda, E., Schneider, M., Hase, F.,
August, T., Blumenstock, T., Kühl, S., Munro, R.,
Gómez-Peláez, Á.J., Hultberg, T., Redondas, A.,
Barthlott, S., Wiegele, A., González, Y., Sanromá,
E. 2016. Consistency and quality assessment of
the Metop-A/IASI and Metop-B/IASI operational
trace gas products (O3, CO, N2O, CH4, and CO2)
in the subtropical North Atlantic, Atmospheric
Measurement Techniques, 9, 2315-2333. https://
doi.org/10.5194/amt-9-2315-2016
García, O.E., Schneider, M., Ertl, B., Sepúlveda, E.,
Borger, C., Diekmann, C., Wiegele, A., Hase,
F., Barthlott, S., Blumenstock, T., Raffalski, U.,
Gómez-Peláez, A., Steinbacher, M., Ries, L., de
Frutos, A.M. 2018. The MUSICA IASI CH4 and
N2O products and their comparison to HIPPO,
GAW and NDACC FTIR references, Atmospheric
Measurement Techniques, 11, 4171-4215.
https://doi.org/10.5194/amt-11-4171-2018
IPCC. 2013. Climate Change 2013: The Physical
Science Basis. Contribution of Working
Group I to the Fifth Assessment Report of the
Intergovernmental Panel on Climate Change
[Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor,
S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex
and P.M. Midgley (eds.)]. Cambridge University
Press, Cambridge, United Kingdom and New York,
NY, USA, 1535 pp.
Josse, B., Simon P., Peuch, V.H. 2004. Rn-222 global
simulations with the multiscale CTM MOCAGE,
Tellus, 56B, 339-356. https://doi.org/10.1111/
j.1600-0889.2004.00112.x
Lefèvre, F., Brasseur, G.P., Folkins, I., Smith, A.K.,
Simon, P. 1994. Chemistry of the 1991-1992
stratospheric winter: three-dimensional model
simulations, Journal Geophysics Research, 99(D4),
8183-8195. https://doi.org/10.1029/93JD03476
Meteo-France and all CAMS_50 modelling teams.
2017. Regional Production. Description of the
operational models and of the ENSEMBLE system -
October 2016, Copernicus Atmosphere Monitoring
Service, disponible en https://atmosphere.
copernicus.eu/sites/default/files/2018-02/
CAMS50_factsheet_201610_v2.pdf.
Naik, V., Voulgarakis, A., Fiore, A.M., Horowitz,
L.W., Lamarque, J.F., Lin, M., … , Zeng, G. 2013.
Preindustrial to present-day changes in tropospheric
hydroxyl radical and methane lifetime from the
Atmospheric Chemistry and Climate Model
Intercomparison Project (ACCMIP), Atmospheric
Chemistry and Physics, 13, 5277-5298. https://doi.
org/10.5194/acp-13-5277-2013
Ricaud, P.,Attié, J.L.,Teyssèdre, H., ElAmraoui, L., Peuch,
V.H., Matricardi, M., Schluessel, P. 2009. Equatorial
total column of nitrous oxide as measured by IASI
on MetOp-A: implications for transport processes,
Atmospheric Chemistry and Physics, 9, 3947-3956.
https://doi.org/10.5194/acp-9-3947-2009.
Ricaud, P., Sič, B., El Amraoui, L., Attié, J.L.,
Zbinden, R., Huszar, P., Szopa, S., Parmentier,
J., Jaidan, N., Michou, M., Abida, R., Carminati,
F., Hauglustaine, D., August, T., Warner, J.,
Imasu, R., Saitoh, N., Peuch, V.H. 2014. Impact
of the Asian monsoon anticyclone on the
variability of mid-to-upper tropospheric methane
above the Mediterranean Basin, Atmospheric
Chemistry and Physics, 14, 11427-11446,
https://doi.org/10.5194/acp-14-11427-2014
Rodgers, C., 2000. Inverse Methods for
Atmospheric Sounding: Theory and Praxis,
Singapore, World Scientific Publishing Co.
https://doi.org/10.1142/3171
Schneider, M., Hase, F. 2011. Optimal estimation
of tropospheric H2O and dD with IASI/METOP,
Atmospheric Chemistry and Physics, 11, 11207-
11220. https://doi.org/10.5194/acp-11-11207-2011
Schneider, M., Wiegele, A., Barthlott, S., González,
Y., Christner, E., Dyroff, C., García, O.E., Hase,
F., Blumenstock, T., Sepúlveda, E., Mengistu
Tsidu, G., Takele Kenea, S., Rodríguez, S., Andrey,
J. 2016. Accomplishments of the MUSICA
project to provide accurate, long-term, global
and high-resolution observations of tropospheric
{H2O, δD} pairs – a review, Atmospheric
Measurement Techniques, 9, 2845-2875.
https://doi.org/10.5194/amt-9-2845-2016
Stockwell, W.R., Kirchner, F., Kuhn, M., Seefeld,
S. 1997. A new mechanism for regional
atmospheric chemistry modelling, Journal
Geophysics Research, 102, 25847-25879.
https://doi.org/10.1029/97JD00849
Teyssèdre, H., Michou, M., Clark, H.L., Josse,
B., Karcher, F., Olivié, D., Peuch, V.H., Saint-
Martin, D., Cariolle, D., Attié, J.L., Nédélec,
P., Ricaud, P., Thouret, V., van der A, R.J.,
Volz-Thomas, A., Chéroux, F. 2007. A new
tropospheric and stratospheric Chemistry and
Transport Model MOCAGE-Climat for multi-
year studies: evaluation of the present-day
climatology and sensitivity to surface processes,
Atmospheric Chemistry and Physics, 7, 5815-5860.
https://doi.org/10.5194/acp-7-5815-2007
Tikhonov, A.: On the solution of incorrectly stated
problems and a method of regularization, Dokl.
Acad. Nauk SSSR, 151, 501-504, 1963.
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 11
Recibido: 11/05/2020 REVISTA DE TELEDETECCIÓN
Aceptado: 12/10/2020 Asociación Española de Teledetección
(2020) 57, 13-23
ISSN 1133-0953
EISSN 1988-8740
https://doi.org/10.4995/raet.2020.13673

Comparison of OMI-DOAS total ozone column with ground-

based measurements in Argentina
Orte, P.F. 1,5, Luccini, E.2,3, Wolfram, E.4,5,6, Nollas, F.4, Pallotta, J.1, D'Elia, R.1,5, Carbajal, G.4,
Mbatha, N.7, Hlongwane, N.7
1
Centro de Investigaciones en Láseres y Aplicaciones, UNIDEF (CITEDEF-CONICET), Villa Martelli, Buenos Aires, Argentina.
2
CONICET - Centro de Excelencia en Productos y Procesos de Córdoba, Argentina.
3
Facultad de Química e Ingeniería del Rosario, Pontificia Universidad Católica, Argentina.
4
Servicio Meteorológico Nacional, Buenos Aires, Argentina.
5
Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Buenos Aires, Argentina.
6
Facultad Regional Buenos Aires, Universidad Tecnológica Nacional, Buenos Aires, Argentina.
7
University of Zululand, Department of Geography, KwaDlangezwa 3886, South Africa

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.

Comparación de columna total de ozono OMI-DOAS con mediciones terrestres en Argentina

Resumen: En este trabajo se comparan mediciones de columna total de ozono (CTO) del Ozone Monitoring
Instrument (OMI/NASA EOS-Aura), con observaciones terrestres de instrumentos Dobson y SAOZ para el periodo
2004–2019 y 2008–02/2020, respectivamente. Los datos del OMI analizados fueron los invertidos mediante el
algoritmo Differential Optical Absorption Spectroscopy (overpass OMI-DOAS). Las 4 estaciones terrestres están
ubicadas en latitudes subpolares y subtropicales del Hemisferio Sur, en las ciudades argentinas de Buenos Aires
(34,58°S, 58,36°O; 25  m s.n.m.), Comodoro Rivadavia (45,86°S, 67,50°O; 46  m s.n.m.), Río Gallegos (51,60°S,
69,30°O; 72 m s.n.m.) y Ushuaia (54,80°S, 68,30°O; 14 m s.n.m.) cubriendo un rango latitudinal desde los 34°S
hasta los 54°S. Los análisis de regresión lineal presentan valores de correlación superior a 0,90. Las mediciones
OMI– DOAS muestran una sobrestimación menor al 4 % respecto de los instrumentos Dobson, mientras que la
comparación respecto al instrumento SAOZ presenta una muy baja subestimación, menor al 1 %.
Palabras clave: columna total de ozono, 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.
1. Introduction
Ozone is a trace gas in the Earth’s atmosphere. It
reaches its maximum absolute concentration in
the stratosphere, around 20 - 25 km high, form-
ing what is known as the “ozone layer” (London
et al., 1985). This ozone layer acts as a filter for
UVB solar radiation. Therefore, the most direct
impact that the total atmospheric ozone content
has is the modification of the UVB solar radiation
levels in the atmosphere and on the Earth’s sur-
face. Increases in UVB radiation have a variety
of effects, generally harmful, on ecosystems and
exposed materials (Zerefos, 1997).
The greatest production of ozone takes place in
the equatorial region, where the highest levels
of solar radiation occur during the year. Despite
this, the maximum ozone concentration occurs
towards polar regions. This latitudinal distribution
is explained by the Brewer-Dobson circulation in
the stratosphere (Brewer, 1949; Dobson, 1956),
which transports ozone-rich air masses from the
equator to the poles. However, since the 1970s, the
concentration of ozone during the southern spring
has strongly decreased within the Antarctic polar
vortex, a phenomenon known as the Antarctic
Ozone Hole (AOH), and defined as the area pre-
senting TOC levels below the threshold of 220
Dobson Units (UD) (Chubachi, 1984; Farman
et al., 1985). This phenomenon is a consequence
of anthropogenic pollution due to the emission of
ozone-depleting substances (ODS) into the atmo-
sphere (WMO, 2011a). The decrease in the ozone
layer over the Antarctic region has been related to
changes in tropospheric circulation affecting the
climate in the Southern Hemisphere (Son et al.,
2010; Polvani et  al., 2011; McLandress et  al.,
2011).
With the aim of mitigating the stratospheric ozone
depletion and the effects that this phenomenon
entails, in 1987 the Montreal protocol was signed,
whose main objective is to reduce ODS emissions
(WMO, 2014). Evidence that the ozone layer has
begun to recover over the Antarctic region has
been reported as a consequence of the success
of the Montreal Protocol (Kuttippurat and Nair,
2017; Solomon et  al. 2016) and analyses carried
out using model ensemble have suggested that
recovery of stratospheric ozone to 1980s levels
would occur around 2060-2065 in the Antarctic
14 REVISTA DE TELEDETECCIÓN (2020) 57, 13-23
region (Dhomse et  al., 2018; WMO, 2018), de-
pending on the ODS emission levels (Dhomse
et al., 2019).
On the other hand, recent studies indicate that the
changes in the tropospheric circulation trend due
to the AOH have stopped around the year 2000, a
fact that is attributed to the recovery of the strato-
spheric ozone as result of the Montreal Protocol
(Banerjee et al. 2020).
Surface monitoring of TOC in southern Argentina
and Chile is particularly important as they con-
stitute the southernmost continental regions of
the world (excluding Antarctica) and the closest
to the Antarctic polar vortex. The scarce cov-
erage of ground-based observations along the
Southern Hemisphere compared to the Northern
Hemisphere highlights their importance.
Ozone studies carried out using different ground-
based and satellite monitoring techniques have
reported extremely low TOC values due ​​ to the
passage of the AOH through subpolar latitudes
(Wolfram et al., 2012; Orte et al., 2019). Likewise,
measurements of ozone vertical profiles have been
performed at the Observatorio Atmosférico de la
Patagonia Austral [Atmospheric Observatory
of Southern Patagonia] (OAPA) (CITEDEF
(UNIDEF – CONICET)) to study the variability
of ozone levels at different altitudes and the in-
trusion of the AOH over the continental region of
South America (Wolfram et  al., 2008; Salvador,
2011; Orte et al., 2011).
Historically, Dobson instruments have played an
important global role in TOC monitoring since
their development in 1927 (Dobson and Harrison,
1926; Dobson, 1931). Farman et  al. (1985) used
a Dobson to observe the AOH for the first time,
which was later confirmed by TOMS satellite
instrument measurements (Stolarski et al., 1986).
Since the OMI instrument entered in orbit in
2004, several comparisons have been made with
ground-based measurements to validate the TOC
measurements (Balis et al., 2007; McPeters et al.,
2008; Antón et  al., 2009; Kim et  al., 2017; Vaz
Peres et al., 2017; Kuttippurath et al., 2018)
This work compares the OMI TOC using the
Differential Optical Absorption Spectroscopy
technique (OMI-DOAS) with four ground-based
TOC databases at subpolar and subtropical
Comparison of OMI-DOAS total ozone column with ground-based measurements in Argentina

latitudes in the Southern Hemisphere obtained

using three Dobson instruments operated and
maintained by Servicio Meteorológico Nacional
[Argentina Meteorological Service] (SMN), and
a SAOZ instrument, which belongs to LATMOS
/CNRS (Laboratoire Atmosphères, Milieux,
Observations Spatiales/Centre National de la
Recherche Scientifique) and is operated by the
OAPA.
It is organized as follows: in Section 2 a brief
description of the principle of operation of the
measuring instruments is presented, together with
the databases analyzed at each site and their lo-
cation. Section 3 describes the methodology used
for comparing satellite versus ground-based data-
bases. Section 4 describes the results of the OMI
– ground-based comparisons and their discussion.
Finally, the conclusions are presented in section 5. Figure 1. Location of Argentine land stations with TOC
measurement instruments whose data are used in this work.

2. Materials and methodology

2.1. Satellite Data
The OMI instrument, on board of the Aura satellite,
was launched in July 2004 within the framework
of the Earth Observing System (EOS) Project with
the aim of continuing the TOMS satellite measure-
ments. OMI retrieves the total content of O3, NO2,
SO2 and aerosols, among other components, from
the reflected and backscattered solar irradiance
in UV–VIS range with a spectral resolution from
~0.45 nm to ~0.63 nm, in nadir view. It has a daily
nearly global coverage, with a spatial resolution of
13 km×24 km (Levelt et al., 2006).
There are two OMI TOC databases depending
on the retrieval algorithm used: OMI-TOMS and
OMI-DOAS. OMI-TOMS is obtained by using the
algorithm used for the ancestor instrument TOMS
(Bhartia and Wellemeyer, 2002), while OMI-
DOAS is retrieved using the DOAS (Differential
Optical Absorption Spectroscopy) technique, as
mentioned above. In this work, the OMI-DOAS
database (OMDOAO3 L2 overpass data) is used
(Veefkinf et al., 2006). These data can be down-
loaded from https://avdc.gsfc.nasa.gov/index.
php?site=1882082496&id=46.
2.2. Ground-based measurements
Figure 1 presents the geographical location of the
four ground-based measurement sites used in the
comparison with the OMI retrievals, covering a
latitudinal extension from subtropical latitudes
(~34°S) to subpolar latitudes (~54°S).
The ground-based TOCs were measured using
three Dobson instruments located in Buenos Aires,
Comodoro Rivadavia and Ushuaia, and a SAOZ
instrument at OAPA, Río Gallegos, Argentina.
The Dobson spectrophotometers used here are
based on the observation on direct sunlight (DS) of
two pairs of wavelengths: 305.5/325.4 nm (pair A)
and 317.6/339.8 nm (pair D) (Carbajal et al. 2014).
As detailed in Table 1, three different Dobson
instruments have operated in Buenos Aires since
the first ozone measurement in October 1966.
For this satellite – ground-based comparison, the
data of Dobson #097 and #070 were used, which
were operating in the period 1966-2014 (except
for the period 1992-1993, where instrument # 099
was operative) and 2014-present, respectively. A
detailed description about the history of Dobson
observations in Buenos Aires can be found in
Cañellas (2017).
The Dobson instruments participated in calibration
and maintenance campaigns in 1977, 1980, 1985,
1993, 1994, 1998, 1999, 2003, 2006, 2010, 2014
and 2019 (WMO/GAW report, 2019) and were
compared with reference instruments following
the WMO/GAW quality control standards.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 15

 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

Typical uncertainty of individual ozone measure- downloaded from http://saoz.obs.uvsq.fr/ (last

ments using the standard Dobson AD-pair is about access: March 2020).
5 % (Evans, 2009, Basher, 1982). Even though
Figure 2 presents the ground-based (blue) and
successive improvements have been achieved
OMI (red) TOC time series since 1994, where the
during the last decades in many subjects including
annual cycle at each site and the increase of the
instrument’s technology, measurement algorithm,
amplitude with the latitude are observed, showing
atmospheric parameters entering the calculations,
a wider range of ozone values for high-latitude
among others (Moeini et al, 2019; Basher, 1985),
sites. It is observed that Río Gallegos and Ushuaia
we sustain this conservative value of the uncer-
present TOC values below 220 DU during late
tainty for the Dobson TOC measurements given
winter and spring, related to Antarctic ozone hole
the long-time character of the analyzed data series.
overpass events.
Dobson datasets (Buenos Aires, Comodoro
The TOC data comparison was performed within
Rivadavia and Ushuaia) were downloaded from
the time overlap period, where both instruments,
the World Ozone and Ultraviolet Radiation Data
ground-based and satellite, measured simulta-
Center (https://woudc.org/home.php; last access:
neously (OMI – Dobson: October 2004 - March
March 2020).
2019; OMI – SAOZ: March 2008 - February
The SAOZ spectrometer has been in operation at 2020).
OAPA, Río Gallegos, since March 11, 2008. In
2009, it was incorporated to the NDACC (Network 2.3. Comparison methodology
for the Detection of Atmospheric Composition). It
performs spectral diffuse solar irradiance measure- The OMI-DOAS (OMI hereinafter) and ground-
ments at zenith twice a day (at sunrise and sunset), based TOC observations are compared, including
for solar zenith angles (SZA) between 86° and 91° a seasonal analysis. The temporal criteria consid-
(Pazmiño, 2010). The wavelength range covers ered for the comparisons differ for the Dobson and
part of the UV and visible bands (300-650 nm) SAOZ instruments due to the time frequency of
with an approximate spectral resolution of 0.9 nm. the measurements of each ground-based instru-
This instrument also measures the total NO2 ment. The closest OMI – Dobson data pairs are
column applying the DOAS technique. TOC mea- selected within a time window of ±3 hours.
surements are retrieved in the visible Chappuis
On the other hand, given that SAOZ measure-
band (450-550 nm), where the dependence of
ments are retrieved at sunrise and sunset and
the ozone cross section on temperature can be
taking into account the OMI overpass time
neglected. In addition, synthetic tables of air
(~19:00±1.5 UTC), the comparison between
mass factor obtained from the UVSPEC/DISORT
these instruments is performed in two ways: 1)
radiative transfer model using TOMS ozone and
comparing each SAOZ measurement (sunrise and
temperature climatologies are used. A detailed
sunset) with the closest-in-time OMI data, and 2)
description of the SAOZ measurements and their
comparing the daily average of OMI and SAOZ
associated error analysis (~6 %) can be found in
measurements.
Hendrick et al. (2011). The SAOZ database was

16 REVISTA DE TELEDETECCIÓN (2020) 57, 13-23

Comparison of OMI-DOAS total ozone column with ground-based measurements in Argentina

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

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 17

 Orte et al.

 
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.

in Figure 4. Table 2 summarizes the parameters of 3.1. OMI – Dobson comparison

all intercomparison. Finally, Figure 5 and Table 3
The correlation analyses present values of
​​ 0.90,
present a seasonal analysis of the comparison be-
0.96 and 0.95 for Buenos Aires, Comodoro
tween OMI and ground-based TOC.
Rivadavia and Ushuaia, respectively. Bian et al.

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.

Site N S±SE I±SE R / R2 rRMSE (%) MBE (%)

Buenos Aires 2758 0.96±0,01 13.4±2.5 0.90 / 0.81 3.9 0.6±3.9
Comodoro 3240 0.98±0.01 14.4±1.4 0.96 / 0.92 4.7 3.5±3.3
Rivadavia
Río Gallegos 3235 1.00±0.01 -2.9±1.9 0.94 / 0.88 3.8 -0.9±3.8
Río Gallegos-SR 3289 0.90±0.01 28.9±2.6 0.88 / 0.77 5.4 -0.5±5.4
Río Gallegos-SS 3406 0.94±0.01 13.6±2.2 0.92 / 0.85 4.9 -1.1±4.9
Ushuaia 2440 0.96±0.01 22.5±1.9 0.95 / 0.90 5.3 3.9±3.9

18 REVISTA DE TELEDETECCIÓN (2020) 57, 13-23

Comparison of OMI-DOAS total ozone column with ground-based measurements in Argentina

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.

(2012) reported similar values ​​for comparisons 3.2. OMI – SAOZ comparison

made between OMI-DOAS and Dobson (0.955)
The intercomparison between OMI and SAOZ
and OMI-DOAS and Brewer (0.931) at the Syowa
daily average TOC in Río Gallegos presents a
Antarctic base. Kim et al. (2017) compared the
correlation coefficient of 0.94, while for SAOZ
OMI and ground-based measurements observed
sunrise and SAOZ sunset comparisons it takes
with Pandora, Brewer and Dobson instruments in
values of 0.88 and 0.92, respectively.
Korea. In particular, the intercomparisons with the
Dobson instrument presented a high correlation, The MBE of the OMI – SAOZ daily average TOC
reporting coefficients of determination ​​of 0.93 and intercomparison is -0.9±3.8%, indicating a slight
0.94 for OMI-DOAS and OMI-TOMS (correla- underestimation of OMI with respect to SAOZ.
tion coefficients of 0.96 and 0.97, respectively). Comparisons made by Hendrick et al. (2011) in
On the other hand, the OMI–Dobson MBE pres-
ents positive values in
​​ all the cases, showing
overestimation of OMI with respect to Dobson
TOC, in agreement with results reported by
Balis et al. (2007) and McPeters et al. (2008).
MBE values of 0.6±3.9 % in Buenos Aires (lat.:
34.58°S), 3.5±3.3 in Comodoro Rivadavia (lat.:
45.86°S) and 3.9±3.9% in Ushuaia (lat.: 54.80°S)
are obtained, which reflect an increase with lat-
itude. A similar increase was reported by Balis
et al. (2007) for OMI – Dobson intercomparisons
between 2005 and 2006, taking the averaged over
10° latitude bins.
The rRMSE is calculated to analyze the differences
between satellite and ground-based measurements,
obtaining values below
​​ 5.5 % at all sites.
Figure 5. Seasonality of the MBE for each site. Dots in-
dicate OMI – Dobson comparison while triangles indicate
daily average OMI – SAOZ comparison. BA: Buenos Ai-
res; CR: Comodoro Rivadavia; RG: Río Gallegos; USH:
Ushuaia.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 19

 Orte et al.
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.
SUMMER FALL
Buenos Aires 0.2±4.5 0.84±3.56
Comodoro Rivadavia 3.5±3.3 3.44±3.28
Río Gallegos 0.0±4.0 -0.96±3.28
Ushuaia 2.5±2.9 4.82±3.87
subpolar latitudes (Kergelen, 49°S, 70°E) between
OMI-DOAS and SAOZ also obtained MBE values​​
close to zero but positive (0.6±4.2%). Negative
MBE values ​​were reported by Antón et al. (2009)
in comparisons performed in the Iberian Peninsula
with Brewer instruments, although with greater bi-
ases than the present in Río Gallegos. Kuttippurat
et al. (2018) reported an overestimation in the
OMI – SAOZ comparison for a particular con-
dition, within the polar vortex, but for values
inferred ​​with the OMI-TOMS algorithm.
The rRMSE of the OMI – SAOZ daily average
TOC comparison is 3.82%. These values are ​​ high-
er than those obtained by Antón et al. (2009), who
reported a 3 % of rRMSE between OMI-DOAS
and Brewer. Vaz Peres et al. (2017) reported
rRMSE of less than 2 % for a daily average TOC
comparison between OMI-TOMS and Brewer.
The correspondence between individual OMI
measurements was also analyzed against individ-
ual SAOZ measurements at sunrise and sunset
(SAOZ-SR and SAOZ-SS hereinafter) (Figure 4).
Both comparisons present good correspondence
although OMI – SAOZ-SS shows a better agree-
ment. Table 2 summarizes the parameters obtained
from the linear regression analysis, where a higher
correlation and a lower rRMSE are observed
for OMI-SAOZ-SS respect to OMI-SAOZ-SR.
This slightly better correspondence for the OMI-
SAOZ-SS comparison is expected, since the OMI
instrument takes measurements closer in time to
sunset than to sunrise (mean time difference of
~3 hours and ~8 hours, respectively).
The comparisons between OMI and SAOZ TOC
(daily average, sunrise and sunset) show a slight
underestimation of OMI with MBE close to
-1 %, while those made with respect to Dobson
instruments showed overestimation. Despite this
opposite behavior, the differences are small enough
to be within the uncertainties of each instrument. In
addition, Hendrick et al. (2011) reported a negative
20 REVISTA DE TELEDETECCIÓN (2020) 57, 13-23
WINTER SPRING
0.83±3.46 0.26±3.91
3.50±3.53 3.45±3.05
-1.45±3.79 -0.93±3.81
5.19±4.42 2.38±3.01
mean bias of SAOZ compared to Dobson which is
consistent with the results obtained here.
3.3. Seasonal comparison
The SZA dependency of a nadir-viewing satellite
instrument over the covered ground swath and
the larger uncertainties that the radiative transfer
calculations present at higher SZA induce seasonal
and latitudinal biases in the satellite TOC retriev-
als (Kuttippurath et al. 2018). Thus, the seasonal
dependence of MBE between the OMI and ground-
based instruments was also analyzed (Figure 5).
The seasonal MBE for OMI – Dobson intercom-
parisons present negative values for all the sites.
Buenos Aires and Ushuaia show a similar behavior
accounting with the lowest MBE values during
summer and spring and increasing during fall and
winter, while Comodoro Rivadavia shows a rath-
er constant value along all seasons. In agreement
with the behavior for the whole dataset analysis,
the MBE increases for higher latitudes, except in
summer, where the MBE in Comodoro Rivadavia
is higher than in Ushuaia, although these values are
within the uncertainty of the MBE.
On the other hand, the MBE for daily average
OMI – SAOZ comparison present a negative bias
for all seasons. The minimum and maximum are
found in summer and winter, respectively.
Given that MBE values are smaller than 4 % at the
four stations, and all of them overlap and include
the zero value at two standard deviations level,
it can be considered that OMI-DOAS TOC re-
trievals are statistically reliable in these Southern
Hemisphere low-altitude regions.
4. Conclusions
Total ozone column retrievals from the OMI sat-
ellite instrument with the DOAS technique were
compared with ground-based measurements at
Comparison of OMI-DOAS total ozone column with ground-based measurements in Argentina
three Dobson sites and one SAOZ site in Argentina,
enhancing the knowledge of satellite measure-
ments performance in the Southern Hemisphere,
where scarce monitoring stations exist.
Within a close agreement on average, OMI TOC
measurements are slightly higher at Dobson sites,
from 0.6% at Buenos Aires up to 3.9 % at Ushuaia.
The daily average OMI TOC presents a slight
underestimation (-0.9 %) with respect to SAOZ
TOC measurements. These values are in agree-
ment with the literature. The comparison between
individual OMI and SAOZ measurements made
at sunrise and sunset presents higher differences
than the comparison with daily average SAOZ
measurements, as expected. rRMSE of the OMI
– ground-based TOC comparison at all sites pres-
ents values ​​smaller than 5 %.
The seasonal comparison between OMI and
ground-based measurements shows larger MBE
during fall and winter (higher SZA), except at
Comodoro Rivadavia where MBE shows a strong
seasonal stability.
Even though these four stations are placed in
subpolar and subtropical latitudes, the agreement
between OMI TOC and ground-based measure-
ments for the larger and the smaller TOC values,
some of them over 430 DU and also below the
ozone hole threshold of 220 DU, particularly at
Ushuaia and Río Gallegos, shows that OMI TOC
retrievals are reliable for both the crucial monitor-
ing of the Antarctic ozone hole overpasses along
South American continental areas, as well as for
very high TOC content which are within the larg-
est worldwide.
Acknowledgments
The authors would like to thank to OAPA,
LATMOS / CNRS and SMN for the maintenance
of the ground-based ozone observation instru-
ments, WOUDC for providing ground-based data,
and NASA for providing OMI data.
References
Antón, M., López, M, Vilaplana, J.M., Kroon, M.,
McPeters, R., Bañón, M., Serrano, A. 2009.
Validation of OMI-TOMS and OMI-DOAS total
ozone column using five Brewer spectroradiometers
at the Iberian Peninsula. J. Geophys. Res., 114,
D14307, https://doi.org/10.1029/2009JD012003
Balis, D., Kroon, M., Koukouli, M.E., Brinksma,
E.J., Labow, G., Veefkind, J.P., McPeters, R.D.
2007. Validation of Ozone Monitoring Instrument
total ozone column measurements using Brewer
and Dobson spectrophotometer ground-based
observations, J. Geophys. Res., 112, D24S46,
https://doi.org/10.1029/2007JD008796
Banerjee, A., Fyfe, J.C., Polvani, L.M., Waugh, D.,
Chang, K.L. 2020. A pause in Southern Hemisphere
circulation trends due to the Montreal Protocol.
Nature, 579, 544-548. https://doi.org/10.1038/
s41586-020-2120-4
Basher, R.E. 1982. Ozone absorption coefficients’ Role
in Dobson instrument ozone measurement accuracy,
Geophys. Res. Lett., 9, 11. https://doi.org/10.1029/
GL009i011p01235
Basher R.E. 1985. Review of the Dobson
Spectrophotometer and its Accuracy. In: Zerefos
C.S., Ghazi A. (eds) Atmospheric Ozone. Springer,
Dordrecht. https://doi.org/10.1007/978-94-009-5313-
0_78
Bhartia, P.K., Wellemeyer, C. 2002. TOMS-V8 total
O3 algorithm, OMI Algorithm Theoretical Basis
Document, vol. II, OMI Ozone Products, pp. 15-31,
edited by P.K. Bhartia,, NASA Goddard Space Flight
Cent., Greenbelt, Md.
Bian, L., Zhong, L., Zhang, D., Zheng, X., Lu, L. 2012.
Validation of total ozone data between satellite and
ground-based measurements at Zhongshan and
Syowa stations in Antarctica. Adv. Polar Sci., 23, 196-
203. https://doi.org/10.3724/SP.J.1085.2012.00196
Brewer, A.W. 1949. Evidence for a world circulation
provided by the measurements of helium and water
vapor distribution in the stratosphere, Q.J. Roy.
Meteor. Soc., 75, 351-363. https://doi.org/10.1002/
qj.49707532603
Cañellas, J. 2017. Control de calidad de la serie de Ozono
Total de Buenos Aires, Universidad de Buenos Aires,
https://doi.org/10.13140/RG.2.2.31527.29601
Carbajal Benítez, G., Cupeiro, M., Sánchez, R.,
Agüero, J.D., Barlasina, M.E., Nollas, F. 2014.
Caracterización de la Columna Total de Ozono
medido con el Espectrofotómetro Dobson en
cuatro estaciones en la Argentina., Actas trabajos
completos E-ICES 9, ISBN 978-987-1323-36-4- 1a
ed. - Ciudad Autónoma de Buenos Aires: Comisión
Nacional de Energía Atómica - CNEA, 2014. 250 p.
Chubachi, S. 1984. Preliminary result of
ozone observations at Syowa Station from
February, 1982 to January, 1983, Mem.
Natl. Inst. Polar Res. Jpn. Spec., 34, 13-20.
https://doi.org/10.1007/978-94-009-5313-0_58
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 21
 Orte et al.
Dhomse, S.S., Kinnison, D., Chipperfield, M.P.,
Salawitch, R.J., Cionni, I., Hegglin, M.I., Abraham,
N.L., Akiyoshi, H., Archibald, A.T., Bednarz, E.M.,
Bekki, S., Braesicke, P., Butchart, N., Dameris, M.,
Deushi, M., Frith, S., Hardiman, S.C., Hassler, B.,
Horowitz, L.W., Hu, R.-M., Jöckel, P., Josse, B.,
Kirner, O., Kremser, S., Langematz, U., Lewis, J.,
Marchand, M., Lin, M., Mancini, E., Marécal, V.,
Michou, M., Morgenstern, O., O’Connor, F.M.,
Oman, L., Pitari, G., Plummer, D.A., Pyle, J.A.,
Revell, L.E., Rozanov, E., Schofield, R., Stenke,
A., Stone, K., Sudo, K., Tilmes, S., Visioni, D.,
Yamashita, Y., Zeng, G. 2018. Estimates of ozone
return dates from Chemistry-Climate Model
Initiative simulations, Atmos. Chem. Phys., 18, 8409-
8438, https://doi.org/10.5194/acp-18-8409-2018
Dhomse, S.S., Feng, W., Montzka, S.A., Hossaini, R.,
Keeble, J., Pyle, J.A., Daniel, J.S., Cipperfield, M.P.
2019. Delay in recovery of the Antarctic ozone hole
from unexpected CFC-11 emissions. Nat. Commun.
10, 5781. https://doi.org/10.1038/s41467-019-
13717-x
Dobson, G.M.B. 1931. A photoelectric
spectrophotometer for measuring the amount of
atmospheric ozone, Proc. Phys. Soc. 43, 324.
https://doi.org/10.1088/0959-5309/43/3/308
Dobson, G.M.B., Harrison, D.N. 1926. Measurements
of the amount of ozone in the earth’s
atmosphere and its relation to other geophysical
conditions, Proc. Roy. Soc. London, A110, 660.
https://doi.org/10.1098/rspa.1926.0040
Dobson, G.M.B. 1956. Origin and distribution of
polyatomic molecules in the atmosphere, Proc.
R. Soc. A, 236, 187-193. https://doi.org/10.1098/
rspa.1956.0127
Evans R.D. 2009. Operations Handbook - Ozone
observations with a Dobson spectrophotometer:
revised 2008, World Meteorological Organization
TD-No. 1469; GAW Report- No. 183.
Farman, J.C., Gardiner, B.G., Shanklin, J.D. 1985.
Large losses of total ozone in Antarctica reveal
seasonal ClOx/NO interaction, Nature, 315, 207-
210. https://doi.org/10.1038/315207a0
Hendrick, F., Pommereau, J.P., Goutail, F., Evans,
R.D., Ionov, D., Pazmino, A., Kyrö, E., Held, G.,
Eriksen, P., Dorokhov, V., Gil, M., Van Roozendael,
M. 2011. NDACC/SAOZ UV-visible total ozone
measurements: improved retrieval and comparison
with correlative ground-based and satellite
observations, Atmos. Chem. Phys., 11, 5975-5995,
https://doi.org/10.5194/acp11-5975-2011
22 REVISTA DE TELEDETECCIÓN (2020) 57, 13-23
Kim, J., Kim, J., Cho, H.K., Herman, J., Park, S.S.,
Lim, H.K., Kim, J.H., Miyagawa, K., Lee, Y.G.
2017. Intercomparison of total column ozone
data from the Pandora spectrophotometer with
Dobson, Brewer, and OMI measurements over
Seoul, Korea, Atmos. Meas. Tech., 10, 3661-3676.
https://doi.org/10.5194/amt-10-3661-2017
Kuttippurath, J., Nair, P.J. 2017. The signs of
Antarctic ozone hole recovery. Sci. Rep., 7, 585.
https://doi.org/10.1038/s41598-017-00722-7
Kuttippurath, J., Kumar, P., Nair, P.J., Chakraborty,
A. 2018. Accuracy of satellite total column
ozone measurements in polar vortex conditions:
Comparison with ground-based observations in
1979-2013. Remote Sens. Environ., 209, 648-659.
https://doi.org/10.1016/j.rse.2018.02.054
Levelt, P.F., Hilsenrath, E., Leppelmeier, G.W., Van den
Oord, G.H.J., Bhartia, P.K., Tamminen, J., De Haan,
J.F., Veefkind, J.P. 2006. The Ozone Monitoring
Instrument, IEEE T. Geosci. Remote Sens., 44, 1093-
1101. https://doi.org/10.1109/TGRS.2006.872336
London, J. 1985. The observed distribution of
atmospheric ozone and its variations, ozone in
the free atmosphere, edited by: Whitten, R.C. and
Prasad, S.S., New York, Van Nostrand Reinhold,
chap. 1, 11-80.
McLandress, C., Shepherd, T.G., Scinocca, J.F.,
Plummer, D.A., Sigmond, M., Jonsson, A.I., Reader,
M.C. 2011. Separating the dynamical effects of
climate change and ozone depletion. Part II: Southern
Hemisphere troposphere. J. Clim., 24, 1850-1868.
https://doi.org/10.1175/2010JCLI3958.1
McPeters, R., Kroon, M., Labow, G., Brinksma, E.,
Balis, D., Petropavlovskikh, I., Veefkind, J.P.,
Bhartia, P.K., Levelt, P.F. 2008. Validation of the
Aura Ozone Monitoring Instrument total column
ozone product, J. Geophys. Res., 113, D15S14,
https://doi.org/10.1029/2007JD008802
Moeini, O., Vaziri Zanjani, Z., McElroy, C.T.,
Tarasick, D.W., Evans, R.D., Petropavlovskikh,
I., Feng, K.H. 2019. The effect of instrumental
stray light on Brewer and Dobson total ozone
measurements, Atmos. Meas. Tech., 12, 327-343.
https://doi.org/10.5194/amt-12-327-2019.
Orte, P.F., Salvador, J., Wolfram, E., D’Elia, R.,
Nagahama, T., Kojima, Y., Tanada, R., Kuwahara,
T., Morihira, A., Quel, E., Mizuno, A. 2011.
Millimeter wave radiometer installation in Río
Gallegos, southern Argentina, Int. Conf. on
Applications of Opt. and Photonics, edited by:
Costa, M.F.M., Vol. 8001, Proceedings of SPIE,
https://doi.org/10.1117/12.894578
Comparison of OMI-DOAS total ozone column with ground-based measurements in Argentina
Orte, P.F., Wolfram, E., Salvador, J., Mizuno, A.,
Bègue, N., Bencherif, H., Bali, J.L., D’Elia, R.,
Pazmiño, A., Godin-Beekmann, S., Ohyama, H.,
Quiroga, J. 2019. Analysis of a southern subpolar
short-term ozone variation event using a millimetre-
wave radiometer, Ann. Geophys., 37, 613-629.
https://doi.org/10.5194/angeo-37-613-2019
Pazmiño A. 2010. O3 and NO2 vertical columns using
SAOZ UV-Visible spectrometer. EPJ Web of
Conferences, EDP Sciences, 2010, 9, pp.201-214.
https://doi.org/10.1051/epjconf/201009016
Polvani, L.M., Waugh, D.W., Correa, G.J.P., Son,
S.W. 2011. Stratospheric ozone depletion: the main
driver of twentieth-century atmospheric circulation
changes in the Southern Hemisphere. J. Clim. 24,
795-812. https://doi.org/10.1175/2010JCLI3772.1
GAW report, 2019. Region III, International Comparison
of Dobson of Spectrophotometers, Villa Ortuzar
Observatory, Argentina, 2019. SMN, WMO. https://
public.wmo.int/en/events/meetings/regional-2019-
latin-american-dobson-intercomparison-campaign
Salvador, J.O. 2011. Estudio del comportamiento de la
capa de ozono y la radiación UV en la Patagonia
Austral y su proyección hacia la comunidad, Tesis
de doctorado, UTN-FRBA.
Salvador, J., Wolfram, E., Orte, F., D’Elia, R., Bulnes,
D., Quel, E. 2013. Observations of UV radiation and
total ozone column using ground based instruments
in Río Gallegos, Argentina (51° 36’ S, 69° 19’
W). AIP Conference Proceedings, 364-367, 1531.
https://doi.org/10.1063/1.4804782
Solomon, S., Ivy, D.J., Kinnison, D., Mills, M.J., Neely,
R.R., Schmidt, A. 2016. Emergence of healing in
the Antarctic ozone layer, Science, 353, 269-274,
https://doi.org/10.1126/science.aae0061
Son, S.W., Gerber, E.P., Perlwitz, J., Polvani, L.M.,
Gillett, N.P., Seo, K.H., ... Austin, J. 2010.
Impact of stratospheric ozone on Southern
Hemisphere circulation change: A multimodel
assessment, J. Geophys. Res., 115, D00M07,
https://doi.org/10.1029/2010JD014271
Stolarski, R.S., Krueger, A.J., Schoeberl, M.R.,
McPeters, R.D., Newman, P.A., Albert, J.C. 1986.
Nimbus 7 SBUV/TOMS measurements of the
springtime antarctic ozone hole. Nature, p. 811.
https://doi.org/10.1038/322808a0
Vaz Peres, L., Bencherif, H., Mbatha, N., Passaglia
Schuch, A., Toihir, A.M., Bègue, N., Portafaix,
T., Anabor, V., Kirsch Pinheiro, D., Paes Leme,
N.M., Bageston, J.V., Schuch, N.J. 2017.
Measurements of the total ozone column using a
Brewer spectrophotometer and TOMS and OMI
satellite instruments over the Southern Space
Observatory in Brazil, Ann. Geophys., 35, 25-37.
https://doi.org/10.5194/angeo-35-25-2017
Veefkind, J.P., de Haan, J.F., Brinksma, E.J.,
Kroon, M., Levell, P.F. 2006. Total Ozone
from the Ozone Monitoring Instrument
(OMI) using the DOAS technique, IEEE
Trans. Geosci. Remote Sens., 44, 1239-1244.
https://doi.org/10.1109/TGRS.2006.871204
Wolfram, A.E., Salvador, J., D’Elia, R., Casiccia,
C., Leme, N.P., Pazmiño, A., Porteneuve, J.,
Godin-Beekman, S., Nakane, H., Quel, E.J.
2008. New Differential absorption lidar for
stratospheric ozone monitoring in Patagonia,
south Argentina, J. Opt. A, 10, 589 595.
https://doi.org/10.1088/1464-4258/10/10/104021
Wolfram, E.A., Salvador, J., Orte, F., D’Elia, R.,
Godin-Beekmann, S., Kuttippurath, J., Pazmiño,
A., Goutail, F., Casiccia, C., Zamorano, F., Paes
Leme, N., Quel, E.J. 2012. The unusual persistence
of an ozone hole over a southern mid-latitude
station during the Antarctic spring 2009: a multi-
instrument study, Ann. Geophys., 30, 1435-1449.
https://doi.org/10.5194/angeo-30-1435-2012
World Meteorological Organization (WMO). 2018.
Scientific Assessment of Ozone Depletion: 2018,
Global Ozone Research and Monitoring Project-
Report No. 58.
World Meteorological Organization (WMO). 2010.
Scientific Assessment of Ozone Depletion: 2010,
Global Ozone Research and Monitoring Project-
Report No. 52, Geneva, Switzerland, 2011.
World Meteorological Organization (WMO): Scientific
Assessment of Ozone Depletion: 2014 Global Ozone
Research and Monitoring Project Report, World
Meteorological Organization, Geneva, Switzerland,
p. 416, 2014.
Zerefos C. 1997 Factors Influencing the Transmission
of Solar Ultraviolet Irradiance through the
Earth’s Atmosphere. In: Zerefos C.S., Bais
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
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 23
Recibido: 04/05/2020 REVISTA DE TELEDETECCIÓN
Aceptado: 11/08/2020 Asociación Española de Teledetección
(2020) 57, 25-36
ISSN 1133-0953
EISSN 1988-8740
https://doi.org/10.4995/raet.2020.13632

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.

Departamento de Geografía Física y Análisis Geográfico Regional, Universidad de Sevilla, Calle Doña María de Padilla s/n
41004, Sevilla, España.

Resumen: La dinámica fenológica de la vegetación es considerada un importante indicador biológico para

comprender el funcionamiento de los ecosistemas terrestres. La fenología de la superficie terrestre (Land Surface
phenology; LSP), el estudio de la fenología de la vegetación a partir de series temporales de índices de vegetación
(IV), ha proporcionado una visión integral de la dinámica de los ecosistemas. La península ibérica es una de las
regiones con mayor diversidad de ecosistemas del continente europeo. Constituye, por lo tanto, una excelente área
de estudio para la monitorización de la dinámica fenológica de la vegetación. El objetivo de este estudio es analizar
la variabilidad espacial de la fenología de la vegetación de la península ibérica e islas Baleares para el periodo
2001-2017. Las series temporales de NDVI (Normalized Difference Vegetation Index) fueron generadas a partir
del producto de reflectancia de superficie MOD09Q1 a una resolución espacial de 250 metros y con un periodo
de compuesto de 8 días. Las perturbaciones atmosféricas y el ruido de las series temporales fueron atenuadas
aplicando el algoritmo de suavizado de Savitzky-Golay. Las diferentes métricas fenológicas o fenométricas fueron
extraídas usando un método basado en umbrales. Los resultados pusieron de manifiesto la existencia de un
comportamiento diferenciado entre las fenofases de primavera y otoño en las regiones biogeográficas atlántica
y mediterránea. Las zonas montañosas mediterráneas presentaron un comportamiento fenológico similar a la
vegetación atlántica. La variabilidad interna de cada región biogeográfica también puede asociarse al diferente
comportamiento entre cubiertas del suelo (e.g. vegetación natural vs. cultivos).
Palabras clave: primavera, otoño, estacionalidad, MODIS, series temporales.

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.

1. Introducción de la actividad fotosintética de las plantas a escala

La fenología de la vegetación, definida como el es-
tudio de la dinámica de los fenómenos biológicos
estacionales que ocurren durante el ciclo vital de
las plantas (i. e. fenofases), ha adquirido especial
interés en las últimas décadas debido a su conexión
con las variaciones en las condiciones climáticas
(Piao et al., 2019; Rodriguez-Galiano et al., 2016).
Los cambios en los patrones fenológicos pueden
influir sobre diferentes procesos ecológicos, tales
como el ciclo del agua, el ciclo del carbono, los
flujos de energía o la interacción entre especies,
y, por lo tanto, alterar el funcionamiento de los
ecosistemas (Keenan et al., 2014; Menzel, 2002;
Richardson et al., 2013). La variabilidad fenológi-
ca también puede tener importantes consecuencias
sobre la agricultura, la silvicultura e incluso la
salud humana (Peñuelas y Filella, 2001).
Tradicionalmente, la monitorización de la diná-
mica de las distintas fenofases ha sido realizada
mediante observaciones directas en el campo a
nivel de planta individual (Ahas et  al., 2002;
Menzel, 2000; Rodriguez-Galiano et  al., 2015b).
Esta información fenológica se caracteriza por
su alta cobertura temporal, existiendo registros
desde principios del siglo XX (Schaber y Badeck,
2005), pero tiene una distribución geográfica muy
acotada a unos pocos países. Países como China,
Canadá, Estados Unidos, Reino Unido, Alemania
o Austria poseen importantes redes de observación
(Chen y Yang, 2020). Sin embargo, este tipo de
registros fenológicos son escasos o inexistentes en
múltiples regiones del planeta (Adole et al., 2016).
Desde la década de 1980, numerosos estudios
han monitorizado el comportamiento de la
vegetación a partir de datos derivados de telede-
tección satelital, aprovechando la capacidad de los
programas de teledetección para proporcionar in-
formación temporalmente continua y sistemática
global (Garonna et  al., 2016; Rodriguez-Galiano
et  al., 2015a; Verger et  al., 2016). Esta aproxi-
mación, más reciente, ha sido denominada como
“fenología de la superficie terrestre” (Land
Surface Phenology, LSP), y se define como el
estudio de la dinámica fenológica a partir de
series temporales de índices de vegetación (IV)
obtenidos a partir de sensores remotos (Figura 1)
(de Beurs y Henebry, 2005). El aporte de LSP no
es tanto la longitud de sus series temporales, pese
a que el programa NOAA (National Oceanic and
Atmospheric Administration) AVHRR (Advanced
Very High Resolution Radiometer) proporciona
información satelital desde julio de 1981, sino la
caracterización del comportamiento estacional de
la vegetación de los ecosistemas terrestres a nivel
global (Helman, 2018).
Los estudios de LSP han estado basados en
observaciones de satélite proporcionadas princi-
palmente por los instrumentos MODIS (Moderate
Resolution Imaging Spectroradiometer) y AVHRR
a una resolución espacial media y grosera (entre
250 metros y 8 kilómetros) (Aragones et al., 2019;
Ivits et al., 2013; Vrieling et al., 2013). Aunque es-
tos sensores proporcionan datos casi diariamente,
la mayoría de los estudios utilizan compuestos de
imágenes de satélite, es decir, composiciones de
imágenes de satélite en los que un valor determi-
nado de cada píxel (e.g. máximo) es considerado
el más representativo del período temporal de
referencia (Holben, 1986). Esto permite, por un
lado, reducir posibles efectos de la atmósfera (e.g.
cobertura nubosa) y, por otro lado, optimizar los
procesos computacionales al reducir el volumen
de datos. Las métricas fenológicas derivadas de
datos de satélite (e.g. inicio, final o duración de
la estación de crecimiento), también conocidas
como fenométricas, son estimadas a partir de IV,
que permiten cuantificar la biomasa, el vigor ve-
getal y la dinámica del crecimiento de las plantas a

26 REVISTA DE TELEDETECCIÓN (2020) 57, 25-36

Estimación de la fenología de la vegetación a partir de imágenes de satélite: el caso de la península ibérica e islas
Baleares (2001-2017)

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
de distintas bandas del espectro electromagnético
(Huete et al., 2002). Los IV o parámetros biofí-
sicos más usados han sido el NDVI (Normalized
Difference Vegetation Index), EVI (Enhanced
Vegetation Index) o LAI (Leaf Area Index), entre
otros (Atzberger et  al., 2013; Julien y Sobrino,
2009; Pastor-Guzman et  al., 2018; Verger et  al.,
2016; Zhang et al., 2003).
La señal fenológica de los IV puede verse in-
fluenciada por diferentes factores: a) la mezcla
de señales de diferentes especies vegetales y
de cubiertas no vegetales (e.g. suelo desnudo,
elementos urbanos, cuerpos de agua); b) las con-
diciones atmosféricas (e.g. cobertura de nubes,
efectos de aerosoles atmosféricos o influencia del
vapor de agua) o; c) las perturbaciones de los sen-
sores (Chen et al., 2018; Hird y McDermid, 2009).
La atenuación del ruido en las series temporales
ha sido abordada mediante la aplicación de múl-
tiples técnicas de suavizado, tales como el filtro
de Savitzky-Golay, la doble función logística, la
función asimétrica gaussiana o la transformada
de Fourier, entre otras (Jönsson y Eklundh, 2002;
Julien y Sobrino, 2009; Rodriguez-Galiano et al.,
2016; Tong et  al., 2019). A partir de las series
suavizadas, las fenométricas pueden ser extraídas
mediante aproximaciones diferentes, tales como
métodos basados en umbrales, derivadas o medias
móviles autorregresivas (Aragones et  al., 2019;
Ivits et  al., 2013; Pastor-Guzman et  al., 2018;
Rodriguez-Galiano et  al., 2015a; Vrieling et  al.,
2018). Algunos estudios complementaron sus
estimaciones de LSP con información derivada de
observaciones fenológicas directas en el campo
(Rodriguez-Galiano et  al., 2015b; Sobrino et  al.,
2013), mediciones de flujos de carbono (Gonsamo
et al., 2012) o información derivada de cámaras
digitales fijas situadas en estaciones de observa-
ción (i. e. phenocam) (Klosterman et al., 2014).
La península ibérica, una de las regiones europeas
más vulnerables a los efectos del cambio climáti-
co (EEA, 2017), es un área de estudio de elevado
interés por su gran diversidad de ecosistemas, con-
secuencia de su variabilidad climática, edáfica y
orográfica. Por lo tanto, es un excelente laborato-
rio natural para la monitorización de la dinámica
de LSP como indicador de cambios ambientales.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 27

 Caparros-Santiago y Rodríguez-Galiano

En estudios previos como el llevado a cabo por
Peñuelas et al. (2004) se analizó el comportamiento
fenológico de la vegetación en 2001 para toda la
península a partir de series temporales de NDVI
de MODIS (1 kilómetro de resolución espacial
y compuestos de 16 días). Ramos et al. (2015) y
Rodrigues et al. (2013) analizaron la dinámica fe-
nológica de la vegetación a diferentes resoluciones
espaciales (250 metros y 1 kilómetro, respectiva-
mente), aunque se centraron en pequeños sectores
del territorio peninsular.
El objetivo principal de este estudio es caracterizar
espacialmente la LSP de la península ibérica e islas
Baleares utilizando series temporales de NDVI-
MODIS para el periodo 2001-2017 a una resolución
espacial de 250 metros. Los objetivos específicos
son: i) detectar patrones espaciales de LSP en el
territorio peninsular y archipiélago balear a una
resolución espacial media; ii) analizar la dinámica
de LSP entre regiones biogeográficas diferenciando
entre áreas de vegetación natural y de cultivos y iii)
determinar la variabilidad latitudinal y los efectos
de la altitud en el comportamiento de LSP.
2. Material y métodos
2.1. Datos
En esta investigación se utilizaron cuatro fuentes
de datos: i) series temporales del producto de
MOD09Q1 derivado del sensor MODIS (Vermote,
2015); ii) la base cartográfica de la clasificación
de las regiones biogeográficas de la península
ibérica e islas Baleares (https://www.eea.europa.
eu/data-and-maps/data/biogeographical-regions-
europe-3); iii) el producto global MCD12Q1 de
MODIS de tipologías de cubiertas del suelo (Friedl
et al., 2010) y iv) el modelo digital de elevaciones
derivado de la STRM (Shuttle Radar Topography
Mission) (Farr et al., 2007).
LSP se extrajo a partir de la serie temporal de
17 años (2001-2017) del producto de reflectancia
de superficie MOD09Q1 (Vermote, 2015). Este
producto de MODIS está basado en compuestos
de imágenes satelitales de 8 días a una resolu-
ción espacial de 250 metros. Las teselas (tiles)
“h17v04”, “h18v04”, “h17v05” y “h18v05”, con
una dimensión de 10°×10° cada una, fueron obte-
nidas del NASA (National Aeronautics and Space
Administration) EOSDIS (Earth Observing System
Data and Information System) LP DAAC (Land
Processes Distributed Active Archive Center)
(https://lpdaac.usgs.gov/). Estas cuatro teselas
fueron mosaicadas y reproyectadas desde una pro-
yección sinusoidal a un sistema de coordenadas
geográficas con datum WGS84 (World Geodetic
System 1984) usando MODIS Reprojection Tool.
El mosaico reproyectado se enmascaró inclu-
yendo únicamente el territorio peninsular e islas
Baleares. Posteriormente se consideró la banda
de evaluación de calidad del producto MOD09Q1
en cada píxel, seleccionando aquellos píxeles que
cumplían una serie de criterios (e.g. corrección
atmosférica, corrección del efecto de adyacencia).
Posteriormente, se generaron series temporales de
NDVI para el periodo comprendido entre enero
de 2001 y diciembre de 2017 (782 compuestos de
imágenes satelitales). Este IV se caracteriza por la
sencillez de su cálculo, basado en la relación entre
las bandas roja e infrarroja cercana, que permite
el estudio de la variabilidad estacional de la acti-
vidad fotosintética de la vegetación, minimizando
algunos tipos de ruido que podrían ser encontra-
dos en distintas bandas espectrales del espectro
electromagnético (e.g. sombras de la topografía
y/o de las nubes) (Huete et al., 2002).
La cartografía de la clasificación de las regio-
nes biogeográficas europeas, cuya delimitación
está basada en la Directiva Hábitats (92/43/
CEE) y el Convenio relativo a la conserva-
ción de la vida silvestre y del medio natural de
Europa (Convenio de Berna), se utilizó para
estratificar el paisaje peninsular y balear
(https://www.eea.europa.eu/data-and-maps/data/
biogeographical-regions-europe-3). Esta base car-
tográfica identifica tres regiones biogeográficas
para toda el área de estudio: i) la región biogeo-
gráfica alpina; ii) la región biogeográfica atlántica
y iii) la región biogeográfica mediterránea.
La información de cubiertas del suelo del periodo
2001-2017 se utilizó para establecer una diferen-
ciación entre las áreas de vegetación natural y de
cultivos. Estos datos derivaron de la clasificación
de cubiertas del suelo propuesta por el IGBP
(International Geosphere Biosphere Programme)
en el producto MCD12Q1, que está basado en
imágenes MODIS a una resolución espacial 500
metros (Friedl et al., 2010).
Los datos altimétricos se obtuvieron a partir de las
imágenes del modelo digital de elevaciones pro-
porcionado por la STRM de la NASA, que fueron

28 REVISTA DE TELEDETECCIÓN (2020) 57, 25-36

Estimación de la fenología de la vegetación a partir de imágenes de satélite: el caso de la península ibérica e islas
Baleares (2001-2017)
adquiridas a una resolución espacial de aproxima-
damente 90 metros (Farr et al., 2007).
2.2. Estimación de LSP
El software TIMESAT 3.3 (Jönsson y Eklundh,
2004) fue utilizado para: i) el suavizado de los da-
tos y, ii) la extracción de las fenométricas. El ruido
de las series temporales de NDVI fue reducido a
partir de un filtro de suavizado Savitzky-Golay,
que está basado en un modelo de ajuste de la serie
temporal a partir de funciones polinómicas locales
(Savitzky y Golay, 1964). La Figura 2 muestra el
Figura 2. Ilustración gráfica de la serie temporal bruta de
NDVI (línea gris) y la suavizada a partir de un filtro de
Savitzky-Golay (línea negra) para tres tipos funcionales de
vegetación: a) bosques perennifolios de hoja acicular; b)
bosques caducifolios de hoja ancha; c) pastizales.
comportamiento bruto de la serie temporal NDVI
y su ajuste a partir del filtro Savitzky-Golay para
tres tipos funcionales de vegetación.
El método de umbrales fue aplicado para extraer
las fenométricas a partir de las series temporales
de NDVI suavizadas: a) el inicio de la estación
de crecimiento o comienzo de la primavera (CP);
b) el final de la estación de crecimiento o el final
de la senescencia (FS) (i. e. final del otoño) y c)
la duración de la estación de crecimiento (DEC)
(Figura 3). El CP se definió como la fecha en la
que el valor de NDVI suavizado alcanzó el 10%
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
La Figura 4 muestra las fenométricas del CP, el FS
y la DEC de la vegetación de la península ibérica
e islas Baleares para el periodo 2001-2017. Esta
cartografía muestra una importante variabilidad
espacial de la fenología en el territorio peninsular,
que pudiera asociarse con las distintas respuestas
de la vegetación a las condiciones ambientales.
A nivel general, se observó un comportamiento
diferenciado de las fechas medias del CP y FS
entre el norte y el sur peninsular, que coincide
con la distribución de las dos principales regiones
Figura 3. Fenométricas extraídas a partir de un umbral re-
lativo: a) CP; b) FS y c) DEC). La línea gris representa
la serie temporal bruta y la línea negra representa la serie
suavizada usando el filtro de Savitzky-Golay.
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 29
 Caparros-Santiago y Rodríguez-Galiano
Figura 4. Fecha promedio (días julianos) de las fenométri-
cas de la península ibérica: a) CP; b) FS; y c) DEC.
biogeográficas que se encuentran representadas
en la península ibérica: la región biogeográfica at-
lántica y la región biogeográfica mediterránea. La
región biogeográfica alpina, también presente en
la península ibérica, presentó un comportamiento
fenológico similar a la región atlántica, aunque
las fechas del CP y el FS fueron algo más tardías
en la región alpina. Esto pudiera explicarse por la
influencia de la altitud sobre las condiciones tér-
micas de la región biogeográfica alpina, así como
por la dinámica de la cubierta de nieve (Asam
et al., 2018). En la fachada septentrional y gran
parte del sector noroccidental, área que coincide
principalmente con la región atlántica, el CP se
extendió desde marzo a abril, mientras que el FS
30 REVISTA DE TELEDETECCIÓN (2020) 57, 25-36
tuvo lugar entre enero y febrero. Por otro lado, la
vegetación de la región biogeográfica mediterrá-
nea presentó el CP entre septiembre y octubre y el
FS entre junio y principios de agosto. Sin embargo,
el comportamiento fenológico de la vegetación en
determinados sectores de esta región biogeográfi-
ca fue muy similar al mostrado por la vegetación
de la región biogeográfica atlántica (e.g. regiones
montañosas). Además, también existió cierta
variabilidad dentro de cada región biogeográfica,
que podría responder al distinto comportamiento
propio de las diferentes cubiertas del suelo. Por
ejemplo, las fechas medias del CP y el FS fueron
muy diferentes al de las coberturas colindantes
en varias zonas que tradicionalmente han estado
dominadas por la presencia de cultivo en regadío
(e.g. las marismas de Doñana, el delta del Ebro, el
mar Menor, o el páramo leonés) (Gómez-Limón y
Picazo-Tadeo, 2012). Estudios como los llevados
a cabo por Atzberger et al. (2013) y Rodriguez-
Galiano et al. (2015a), que analizaron la LSP
en el continente europeo, encontraron patrones
espaciales de variabilidad fenológica similares a
los descritos en este estudio para las tres regiones
biogeográficas presentes en la península ibérica e
islas Baleares. Sin embargo, las fechas del CP y
el FS mostraron ligeras diferencias, que pudieran
deberse a los diferentes procesos metodológicos
utilizados para estimar las fenométricas (e.g.
características de las imágenes de satélite, IV o va-
riables biofísicas, técnicas de pre-procesamiento
de las series temporales o métodos de extracción
de fenométricas) (Atkinson et  al., 2012; White
et al., 2009).
La Figura 5 representa las variaciones existentes
entre las zonas de vegetación natural y las áreas
de cultivos para cada región biogeográfica. Las
fechas medias del CP y del FS no mostraron dife-
rencias considerables entre las áreas de vegetación
natural y las de cultivos en la región biogeográfica
alpina. A pesar de ello, el CP y el FS ocurrió más
temprano en los cultivos (principios de marzo y
enero, respectivamente) que en la vegetación na-
tural (finales de marzo y enero, respectivamente).
La vegetación natural de la región biogeográfica
atlántica presentó un comportamiento fenológico
similar al de la vegetación de la región biogeo-
gráfica alpina, aunque las fechas promedio del
CP y el FS fueron ligeramente más tempranas
en la región atlántica. Sin embargo, el comporta-
miento fenológico de los cultivos atlánticos fue
Estimación de la fenología de la vegetación a partir de imágenes de satélite: el caso de la península ibérica e islas
Baleares (2001-2017)

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.

significativamente diferente al de la vegetación bajas (2-10 días) en las regiones biogeográficas

natural. La estación de crecimiento de los cultivos alpina y atlántica. Por tanto, la alta variabilidad
de la región atlántica se extendió desde mediados fenológica de la diversa vegetación mediterránea
de diciembre (CP) a finales de septiembre (FS). pudiera influir especialmente sobre la sensibilidad
En la región biogeográfica mediterránea, tanto la de las fechas promedio de las fenométricas, lo que
vegetación natural como los cultivos presentaron podría explicar las escasas diferencias del CP y el
una dinámica muy diferente a la de las regiones FS promedio tanto de la vegetación natural como
atlántica y alpina. Las fechas promedio del CP y de los cultivos mediterráneos.
el FS tanto de la vegetación natural como de los
La DEC no mostró un patrón de distribución es-
cultivos presentaron escasas diferencias. El CP
pacial tan marcado como el CP y el FS (Figura 4).
tuvo lugar en noviembre, y el FS ocurrió a me-
Generalmente, la vegetación presentó una DEC
diados de agosto en los cultivos y a principios
superior a los 7 meses. La DEC fue de aproxi-
de septiembre en la vegetación natural. En esta
madamente 10-11 meses en una parte importante
región biogeográfica, las fechas medianas de las
de la península ibérica. Por otro lado, las estacio-
fenométricas difieren de las fechas medias en
nes de crecimiento más cortas suelen coincidir
aproximadamente 40 días en la vegetación natural
con regiones como el valle del Guadalquivir, la
y en 20 días en los cultivos. Estas importantes
Submeseta Norte, la Submeseta Sur o el valle del
diferencias, especialmente elevadas en la vege-
Ebro, probablemente asociadas a zonas de cultivo
tación natural, podrían estar asociadas a la alta
y pastizales.
variabilidad del comportamiento fenológico de
las diversas formaciones vegetales mediterráneas
(e.g. formaciones vegetales desarrolladas en zonas 3.2. Variabilidad temporal en las
llanas o de altitud media vs. vegetación desarro- fenométricas
llada en zonas de elevada altitud; áreas forestales
La Figura 6 muestra la variabilidad interanual de
naturales vs. plantaciones forestales destinadas al
las fenométricas para todo el periodo de estudio
sector industrial; cultivos de regadío vs. cultivos
(2001-2017) en términos de desviación estándar.
de secano). Por el contrario, las diferencias entre
En términos generales, el FS presentó una mayor
las fechas medias y medianas son relativamente

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 31

 Caparros-Santiago y Rodríguez-Galiano
variabilidad temporal que el CP en una importante
extensión de la región biogeográfica atlántica y en
la región alpina. La desviación estándar del FS fue
de aproximadamente 0-50 días, mientras que en
el CP fue de aproximadamente 10-20 días. Esto
puede deberse a la mayor complejidad del com-
portamiento de la fenología de otoño, que presenta
un mayor grado de incertidumbre (Richardson
et al., 2013). En cuanto a la región biogeográfica
mediterránea, la variabilidad interanual de ambas
fenométricas fue generalmente baja, siendo li-
geramente superior la del CP (aproximadamente
5-10 días). Estos cambios en las fenométricas po-
drían asociarse con la respuesta de la vegetación
a factores ambientales, especialmente climáticos
(Rodriguez-Galiano et al., 2016). Sin embargo,
los valores de la desviación estándar de ambas
fenométricas fueron muy elevados en determi-
nados sectores de esta región biogeográfica. Esta
alta variabilidad temporal podría estar relacionada
con diferentes factores, tales como la rotación de
cultivos (Qader et al., 2015), el cambio en las co-
berturas del suelo (White et al., 2009) o el impacto
de fenómenos naturales o antrópicos sobre las
cubiertas (e.g. incendios forestales, deforestación)
(Valderrama-Landeros et al., 2016), entre otros.
La variabilidad temporal de ambas fenométricas
fue de aproximadamente 40-60 días en regiones
con una destacable presencia de zonas agrícolas,
tales como el valle del Guadalquivir, la Submeseta
Norte, la Submeseta Sur o el valle del Ebro, que
podría ser explicada por la rotación de cultivos.
En las estribaciones meridionales del Sistema
Ibérico los valores de desviación estándar supe-
raron incluso los 100 días. Esta alta variabilidad
de las fenométricas podría deberse a los efectos
Figura 6. Desviación estándar de la fecha del CP (a) y el FS (b).
32 REVISTA DE TELEDETECCIÓN (2020) 57, 25-36
del incendio que afectó en 2009 a una gran ex-
tensión de la superficie forestal de la Serranía
de Cuenca. Estos valores de desviación estándar
también fueron muy elevados en el sector sep-
tentrional de Portugal, ya que esta zona tiene una
importante presencia de plantaciones arbóreas
(e.g. eucaliptos) destinadas principalmente a la
industria maderera (Catry et al., 2015).
3.3. Gradiente latitudinal/longitudinal y
efectos de la altitud en las fenométricas
El perfil fenológico (NW-SE peninsular) mostrado
en la Figura 7 pone de manifiesto la variabilidad
latitudinal/longitudinal de la fenología en la
península ibérica. El CP y el FS ocurrieron más
temprano en la región biogeográfica mediterrá-
nea. Sin embargo, estas fenométricas fueron más
tardías en las zonas mediterráneas más elevadas
(i. e. Sierra Nevada (Cordilleras Béticas), Sistema
Central, Cordillera Cantábrica) (alrededor de
150 -180 días). Esto podría deberse al efecto de
la altitud sobre las condiciones climáticas (e.g.
temperatura y/o humedad) propio de las regiones
montañosas. También se observaron fenofases
más tardías en zonas que pudieran estar asociadas
con áreas de cultivo (e.g. valle del Guadalquivir,
valle del Tajo y determinados sectores de la
Submeseta Norte) (alrededor de 25-50 días). Este
gradiente latitudinal/longitudinal se relaciona prin-
cipalmente con la variabilidad de los patrones de
temperatura y precipitación (Rodriguez-Galiano
et al., 2016). Además, el gradiente latitudinal
pudiera también ser atribuido a factores como el
fotoperiodo (Adole et al., 2019). La variabilidad
de las fenométricas también responde al diferente
Estimación de la fenología de la vegetación a partir de imágenes de satélite: el caso de la península ibérica e islas
Baleares (2001-2017)
Figura 7. Perfil fenológico de la vegetación de la península
ibérica.
comportamiento fenológico de las cubiertas del
suelo propias de cada región biogeográfica. Las
suaves temperaturas y la regularidad anual de las
abundantes precipitaciones favorecen la presencia
de bosques caducifolios en la región biogeográfica
atlántica, compuestos principalmente por especies
arbóreas como el haya o el roble (Rivas-Martínez,
1987). Sin embargo, la región biogeográfica medi-
terránea se caracteriza por la presencia de bosques
perennifolios formados por especies adaptadas a
ciertas condiciones de sequía (e.g. encina o pino
carrasco) y, en las zonas con una aridez más pro-
nunciada, la vegetación herbácea y/o arbustiva
xerófila (Rivas-Martínez, 1987).
4. Conclusiones
En este estudio, se ha realizado una caracteri-
zación del comportamiento de la fenología de
la vegetación para toda la península ibérica e
islas Baleares. Para ello se han utilizado series
temporales de NDVI-MODIS a una resolución
espacial de 250 metros y a una alta frecuencia
temporal (8 días). Aunque existen estudios previos
centrados en el territorio peninsular, la cartografía
generada en este trabajo es, a conocimiento de
los autores, la que presenta una mayor resolución
espacial y frecuencia temporal hasta la fecha. Esta
cartografía muestra, en términos generales, una
importante variabilidad espacial de la fenología
de la vegetación entre las regiones biogeográficas
alpina, atlántica y mediterránea. Por lo general, el
CP y el FS ocurrió de forma más temprana en la
región biogeográfica mediterránea. Las regiones
biogeográficas atlántica y alpina presentaron
una dinámica fenológica muy similar, aunque las
fenofases fueron ligeramente más tardías en la
región biogeográfica alpina. Estos ámbitos biogeo-
gráficos presentaron, a su vez, cierta variabilidad
fenológica interna, que podría estar provocada
bien por los efectos de las diferentes cubiertas del
suelo (e.g. cultivos - vegetación natural), o bien,
en el caso de la región mediterránea, por el efecto
de la altitud de las regiones montañosas sobre las
condiciones climáticas. A nivel general, las feno-
métricas de la región biogeográfica mediterránea
mostraron una mayor homogeneidad a lo largo de
todo el periodo de estudio. Esta baja variabilidad
temporal pudiera estar relacionada con la respuesta
de la vegetación a las condiciones climáticas. Sin
embargo, en determinadas zonas mediterráneas se
observó una alta variabilidad interanual tanto en
el CP como en el FS, que pudiera estar asociada a
fenómenos antrópicos, tales como la rotación de
cultivos, deforestación, etc. Por tanto, este estudio
ha permitido conocer la fenología típica o de re-
ferencia (i. e. baseline phenology) de la península
ibérica e islas Baleares. Las variaciones de estos
patrones fenológicos pudieran ser utilizados como
indicadores para evaluar futuros impactos del
cambio climático sobre los ecosistemas peninsula-
res y baleares, a fin de poder establecer directrices
para mitigarlos.
Agradecimientos
El primer autor es un contratado pre-doctoral FPU
financiado por el "Ministerio de Universidades"
(Referencia FPU15/03758). Los autores agradecen
el apoyo de los proyectos RTI2018-096561-A-I00
y US-1262552, financiados por el Ministerio
de Ciencia e Innovación y la Agencia Estatal
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 33
 Caparros-Santiago y Rodríguez-Galiano
de Investigación / FEDER - Junta de Andalucía
(Consejería de Economía y Conocimiento),
respectivamente.
Referencias
Adole, T., Dash, J., Atkinson, P.M. 2016. A
systematic review of vegetation phenology in
Africa. Ecological Informatics, 34, 117-128.
https://doi.org/10.1016/j.ecoinf.2016.05.004
Adole, T., Dash, J., Rodriguez-Galiano, V., Atkinson, P.M.
2019. Photoperiod controls vegetation phenology
across Africa. Communications Biology, 2(1), 391.
https://doi.org/10.1038/s42003-019-0636-7
Ahas, R., Aasa, R., Menzel, A., Fedotova, V.G.,
Scheifinger, H. 2002. Changes in European spring
phenology. International Journal of Climatology,
22(14), 1727-1738. https://doi.org/10.1002/joc.818
Aragones, D., Rodriguez-Galiano, V.F., Caparros-
Santiago, J.A., Navarro-Cerrillo, R.M. 2019. Could
land surface phenology be used to discriminate
Mediterranean pine species? International Journal of
Applied Earth Observation and Geoinformation, 78,
281-294. https://doi.org/10.1016/j.jag.2018.11.003
Asam, S., Callegari, M., Matiu, M., Fiore, G., De
Gregorio, L., Jacob, A., Menzel, A., Zebisch,
M., Notarnicola, C. 2018. Relationship between
spatiotemporal variations of climate, snow cover
and plant phenology over the Alps-An Earth
observation-based analysis. Remote Sensing, 10(11).
https://doi.org/10.3390/rs10111757
Atkinson, P.M., Jeganathan, C., Dash, J., Atzberger, C.
2012. Inter-comparison of four models for smoothing
satellite sensor time-series data to estimate vegetation
phenology. Remote Sensing of Environment, 123,
400-417. https://doi.org/10.1016/j.rse.2012.04.001
Atzberger, C., Klisch, A., Mattiuzzi, M., Vuolo,
F. 2013. Phenological metrics derived over the
European continent from NDVI3g data and MODIS
time series. Remote Sensing, 6(1), 257-284.
https://doi.org/10.3390/rs6010257
Catry, F.X., Moreira, F., Deus, E., Silva, J.S., Águas,
A. 2015. Assessing the extent and the environmental
drivers of Eucalyptus globulus wildling establishment
in Portugal: results from a countrywide survey.
Biological Invasions, 17(11), 3163-3181. https://doi.
org/10.1007/s10530-015-0943-y
Chen, X., Wang, D., Chen, J., Wang, C., Shen,
M. 2018. The mixed pixel effect in land
surface phenology: A simulation study.
Remote Sensing of Environment, 211, 338-344.
https://doi.org/10.1016/j.rse.2018.04.030
34 REVISTA DE TELEDETECCIÓN (2020) 57, 25-36
Chen, X., Yang, Y. 2020. Observed earlier start
of the growing season from middle to high
latitudes across the Northern Hemisphere
snow-covered landmass for the period 2001-
2014. Environmental Research Letters, 15(3).
https://doi.org/10.1088/1748-9326/ab6d39
de Beurs, K.M., Henebry, G.M. 2005. Land
surface phenology and temperature
variation in the International Geosphere-
Biosphere Program high-latitude transects.
Global Change Biology, 11(5), 779-790.
https://doi.org/10.1111/j.1365-2486.2005.00949.x
EEA. 2017. Climate Change, Impacts and
Vulnerability in Europe 2016: An indicator-based
report. Copenhagen: Environmental Science and
Engineering - European Environment Agency
(EEA).
Farr, T.G., Rosen, P.A., Caro, E., Crippen, R., Duren,
R., Hensley, S., Kobrick, M., Paller, M., Rodriguez,
E., Roth, L. 2007. The shuttle radar topography
mission. Reviews of Geophysics, 45(2), RG2004.
https://doi.org/10.1029/2005RG000183
Friedl, M.A., Sulla-Menashe, D., Tan, B., Schneider,
A., Ramankutty, N., Sibley, A., Huang, X. 2010.
MODIS Collection 5 global land cover: Algorithm
refinements and characterization of new datasets.
Remote Sensing of Environment, 114(1), 168-182.
https://doi.org/10.1016/j.rse.2009.08.016
Garonna, I., de Jong, R., Schaepman, M.E. 2016.
Variability and evolution of global land surface
phenology over the past three decades (1982-
2012). Global Change Biology, 22(4), 1456-1468.
https://doi.org/10.1111/gcb.13168
Gómez-Limón, J.A., Picazo-Tadeo, A.J. 2012. Irrigated
agriculture in Spain: Diagnosis and Prescriptions
for Improved governance. International Journal
of Water Resources Development, 28(1), 57-72.
https://doi.org/10.1080/07900627.2012.640876
Gonsamo, A., Chen, J.M., David, T.P., Kurz, W.A., Wu,
C. 2012. Land surface phenology from optical satellite
measurement and CO2 eddy covariance technique.
Journal of Geophysical Research: Biogeosciences,
117(3). https://doi.org/10.1029/2012JG002070
Helman, D. 2018. Land surface phenology:
What do we really ‘see’ from space? Science
of the Total Environment, 618, 665-673.
https://doi.org/10.1016/j.scitotenv.2017.07.237
Hird, J.N., McDermid, G.J. 2009. Noise reduction of
NDVI time series:An empirical comparison of selected
techniques. Remote Sensing of Environment, 113(1),
248-258. https://doi.org/10.1016/j.rse.2008.09.003
Estimación de la fenología de la vegetación a partir de imágenes de satélite: el caso de la península ibérica e islas
Baleares (2001-2017)
Holben, B.N. 1986. Characteristics of maximum-value
composite images from temporal AVHRR data.
International Journal of Remote Sensing, 7(11), 1417-
1434. https://doi.org/10.1080/01431168608948945
Huete, A., Didan, K., Miura, T., Rodriguez, E.P.,
Gao, X., Ferreira, L.G. 2002. Overview of
the radiometric and biophysical performance
of the MODIS vegetation indices. Remote
Sensing of Environment, 83(1-2), 195-213.
https://doi.org/10.1016/S0034-4257(02)00096-2
Ivits, E., Cherlet, M., Horion, S., Fensholt, R. 2013.
Global biogeographical pattern of ecosystem
functional types derived from earth observation
data. Remote Sensing, 5(7), 3305-3330.
https://doi.org/10.3390/rs5073305
Jönsson, P., Eklundh, L. 2002. Seasonality extraction
by function fitting to time-series of satellite
sensor data. IEEE Transactions on Geoscience
and Remote Sensing, 40(8), 1824-1832.
https://doi.org/10.1109/TGRS.2002.802519
Jönsson, P., Eklundh, L. 2004. TIMESAT - A program
for analyzing time-series of satellite sensor data.
Computers and Geosciences, 30(8), 833-845.
https://doi.org/10.1016/j.cageo.2004.05.006
Julien, Y., Sobrino, J.A. 2009. Global land
surface phenology trends from GIMMS
database. International Journal of
Remote Sensing, 30(13), 3495-3513.
https://doi.org/10.1080/01431160802562255
Keenan, T.F., Gray, J., Friedl, M.A., Toomey, M.,
Bohrer, G., Hollinger, D.Y., Munger, J.W., O’Keefe,
J., Schmid, H.P., Wing, I.S., Yang, B., Richardson,
A.D. 2014. Net carbon uptake has increased through
warming-induced changes in temperate forest
phenology. Nature Climate Change, 4(7), 598-604.
https://doi.org/10.1038/nclimate2253
Klosterman, S.T., Hufkens, K., Gray, J.M., Melaas, E.,
Sonnentag, O., Lavine, I., Mitchell, L., Norman, R.,
Friedl, M.A., Richardson, A.D. 2014. Evaluating
remote sensing of deciduous forest phenology
at multiple spatial scales using PhenoCam
imagery. Biogeosciences, 11(16), 4305-4320.
https://doi.org/10.5194/bg-11-4305-2014
Menzel, A. 2000. Trends in phenological phases in
Europe between 1951 and 1996. International
Journal of Biometeorology, 44(2), 76-81.
https://doi.org/10.1007/s004840000054
Menzel, A. 2002. Phenology: Its importance to
the global change community: An editorial
comment. Climatic Change, 54(4), 379-385.
https://doi.org/10.1023/A:1016125215496
Pastor-Guzman, J., Dash, J., Atkinson, P.M.
2018. Remote sensing of mangrove forest
phenology and its environmental drivers.
Remote Sensing of Environment, 205, 71-84.
https://doi.org/10.1016/j.rse.2017.11.009
Peñuelas, J., Filella, I. 2001. Phenology: Responses
to a warming world. Science, 294(5543), 793-795.
https://doi.org/10.1126/science.1066860
Peñuelas, J., Filella, I., Zhang, X., Llorens, L.,
Ogaya, R., Lloret, F., Comas, P., Estiarte, M.,
Terradas, J. 2004. Complex spatiotemporal
phenological shifts as a response to rainfall
changes. New Phytologist, 161(3), 837-846.
https://doi.org/10.1111/j.1469-8137.2004.01003.x
Piao, S., Liu, Q., Chen, A., Janssens, I.A., Fu, Y., Dai,
J., Liu, L., Lian, X., Shen, M., Zhu, X. 2019. Plant
phenology and global climate change: Current
progresses and challenges. Global Change Biology,
25(6), 1922-1940. https://doi.org/10.1111/gcb.14619
Qader, S.H., Atkinson, P.M., Dash, J. 2015.
Spatiotemporal variation in the terrestrial
vegetation phenology of Iraq and its relation with
elevation. International Journal of Applied Earth
Observation and Geoinformation, 41, 107-117.
https://doi.org/10.1016/j.jag.2015.04.021
Ramos, A., Pereira, M.J., Soares, A., Rosário, L.D.,
Matos, P., Nunes, A., Branquinho, C., Pinho,
P. 2015. Seasonal patterns of Mediterranean
evergreen woodlands (Montado) are explained
by long-term precipitation. Agricultural
and Forest Meteorology, 202, 44-50.
https://doi.org/10.1016/j.agrformet.2014.11.021
Richardson, A.D., Keenan, T.F., Migliavacca, M.,
Ryu, Y., Sonnentag, O., Toomey, M. 2013. Climate
change, phenology, and phenological control
of vegetation feedbacks to the climate system.
Agricultural and Forest Meteorology, 169, 156-173.
https://doi.org/10.1016/j.agrformet.2012.09.012
Rivas-Martínez, S. 1987. Memoria del mapa de series
de vegetación de España. Madrid: Ministerio de
Agricultura, Pesca y Alimentación -Instituto para la
Conservación de la Naturaleza (ICONA).
Rodrigues, A., Marcal, A.R.S., Cunha, M. 2013.
Monitoring vegetation dynamics inferred by satellite
data using the pheno sat tool. IEEE Transactions on
Geoscience and Remote Sensing, 51(4), 2096-2104.
https://doi.org/10.1109/TGRS.2012.2223475
Rodriguez-Galiano, V.F., Dash, J., Atkinson, P.M.
2015a. Characterising the land surface phenology
of Europe using decadal MERIS data. Remote
Sensing, 7(7), 9390-9409. https://doi.org/10.3390/
rs70709390
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 35
 Caparros-Santiago y Rodríguez-Galiano

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

36 REVISTA DE TELEDETECCIÓN (2020) 57, 25-36

Recibido: 25/03/2020 REVISTA DE TELEDETECCIÓN
Aceptado: 14/10/2020 Asociación Española de Teledetección
(2020) 57, 37-49
ISSN 1133-0953
EISSN 1988-8740
https://doi.org/10.4995/raet.2020.13340

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. *1,2, Ortiz-Malavasi, E. 1, Soto-Montoya, C. 1, Vargas-Solano, Y. 2,
Aguilar-Arias, H. 2, Miller-Granados, C. 2
1
Escuela de Ingeniería Forestal, Instituto Tecnológico de Costa Rica, Apartado Postal: 159-7050, Cartago, Costa Rica.
2
Laboratorio PRIAS, Centro Nacional de Alta Tecnología, San José, Costa Rica.

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.

1. Introducción embargo, un aspecto importante a destacar en su

Diversas regiones del planeta han sido fuertemen-
te deforestadas a consecuencia de que estas áreas
albergan grandes poblaciones, poseen una agri-
cultura dinámica o presentan una alta actividad
forestal (Chazdon, 2014; Ponce, et al., 2017). En el
caso específico de Costa Rica, se presentaron altas
tasas de deforestación entre 1940 y 1980 (Sader y
Joyce, 1988); sin embargo, a partir de los noventas
la cobertura boscosa neta del país comenzó a in-
crementar (Sánchez et al., 2002), y actualmente se
estima que un 50,2% de su territorio se encuentra
bajo algún tipo de cobertura forestal. Se conoce,
además, que el 25% se encuentra en grandes blo-
ques dentro de áreas silvestres protegidas, y el otro
25% se encuentra inmerso dentro de una matriz de
usos y cobertura de la tierra muy heterogénea, lo
que dificulta su monitoreo por medio de imáge-
nes satelitales de mediana resolución espacial de
acceso libre.
Identificar los cambios en uso y cobertura de la
tierra es esencial para la formulación de estrate-
gias de manejo y conservación de los recursos
naturales, y las herramientas que conforman la
disciplina de la teledetección, han sido extensa-
mente usadas con este objetivo (Yin et al., 2018;
Pimple et al., 2017). La teledetección permite
llevar a cabo estudios en grandes extensiones
de terreno en un corto periodo de tiempo y a un
bajo costo (Nhamo et al., 2018), y se puede en-
tonces, conocer la dinámica espacial y temporal
de las masas arbóreas (Vogeler et al., 2018). Sin
uso es la fiabilidad de los mapas e información
obtenidos, ya que esta puede variar dependiendo
tanto del tipo de imágenes, como de los algoritmos
de clasificación empleados (Ningthoujam et al.,
2016), especialmente cuando la matriz de usos de
la tierra evaluada es muy heterogénea.
Actualmente, existen una extensa variedad de imá-
genes satelitales (Yang et al., 2018) y algoritmos
de clasificación (Shen et al., 2018) para generar
información de uso y cobertura de la tierra a través
de teledetección. Tradicionalmente, los estudios de
cambio de uso y cobertura de la tierra se han rea-
lizado mediante imágenes del programa Landsat;
no obstante, en el 2015 se inició el programa de
satélites Sentinel, abriéndose de esta manera el
espectro de disponibilidad de imágenes para estos
estudios. El programa de monitoreo Landsat se
inició aproximadamente hace 40 años (Zhao et al.,
2018); por lo tanto, posee el registro temporal más
largo y continuo de imágenes que muestran la
cobertura del planeta. Además, la resolución espa-
cial y especialmente la resolución espectral de las
imágenes de estos satélites, son muy apropiadas
para el seguimiento de las actividades humanas y
su impacto al ambiente (Hermosilla et al., 2015).
En los últimos años se ha destacado el uso del
sensor MSI a bordo del satélite Sentinel-2 de la
Agencia Espacial Europea (ESA, por sus siglas
en inglés) ya que ha sido de gran apoyo para el
monitoreo de la tierra y en especial de los recur-
sos forestales (Mura et al., 2018). Este sensor fue

38 REVISTA DE TELEDETECCIÓN (2020) 57, 37-49

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
lanzado en el 2015 (Li et al., 2018) y fue creado
con el propósito de tomar datos para el programa
de Monitoreo Global para la Seguridad Ambiental
(GMES, por sus siglas en inglés) (Yang et al.,
2017). Este sensor permite obtener imágenes con
una resolución espacial de 10 m en las bandas
RGB y NIR (Mura et al., 2018), y una resolución
temporal de 5 días (Yang et al., 2017); por lo que
se espera que sean utilizadas ampliamente en
programas de monitoreo de la superficie terrestre,
en especial si sus imágenes se complementan con
información obtenida de otros satélites enviados
por la ESA (Whyte et al., 2018).
Entre los métodos de interpretación de datos pro-
venientes de sensores remotos se puede mencionar
el uso de los algoritmos de clasificación supervisa-
da los cuales presentan, por si mismos, un amplio
espectro de posibilidades (Perumal y Bhaskaran,
2010). Por ejemplo, entre los algoritmos más an-
tiguos se encuentra la Clasificación por Mínima
Distancia (MDC, por sus siglas en inglés) (Del
Toro et al., 2015). Este clasificador cuenta con la
ventaja de que puede trabajar cuando se cuenta
con un número limitado de áreas de entrenamiento
(Walton, 2015); o bien, cuando los histogramas
de las bandas de una imagen no cuentan con una
distribución normal (Murtaza y Romshoo, 2014).
Por otro lado, la Clasificación por Máxima
Verosimilitud (MLC, por sus siglas en inglés) es
uno de los clasificadores que ha sido más amplia
y exitosamente utilizado para la clasificación de
coberturas y usos de la tierra (Shi y Xue, 2016).
No obstante, en los últimos años, los algoritmos
de inteligencia artificial (IA) y Machine-Learning,
como Máquinas de Vectores Soporte (SVM, por
sus siglas en inglés) y Redes Neuronales (NNC,
por sus siglas en inglés), han presentado gran
auge. En el caso de SVM, este muestra un buen
rendimiento aun cuando se tiene una cantidad
reducida de áreas de entrenamiento (Mountrakis
et al., 2010). Por otro lado, los clasificadores
basados en redes neuronales presentan la ventaja
de que permiten trabajar con datos que no se ajus-
tan completamente a distribuciones estadísticas
(Ndehedehe et al., 2013).
La utilidad de un mapa creado a partir de una clasi-
ficación depende de su fiabilidad, ya que cualquier
mapa realizado a través de detección remota se
encuentra sujeto a errores de clasificación, y se
conoce que estos errores varían dependiendo del
número de clases de uso y coberturas utilizadas,
la resolución espacial y espectral de las imágenes,
y de los algoritmos de clasificación utilizados
(Olofsson et al., 2014, Ningthoujam et al., 2016).
Dado que actualmente existe la posibilidad de
emplear imágenes satelitales de diferentes fuentes,
y mayor variedad de algoritmos de clasificación
de las mismas, el objetivo de la presente inves-
tigación fue comparar cuatro tipos de algoritmos
de clasificación (MDC, MLC, SVM y NNC)
combinados con dos tipos de imagen satelital de
mediana resolución (Landsat-8 y Sentinel-2), en la
identificación de la cobertura boscosa de regiones
con alta diversidad de usos de la tierra en Costa
Rica.
2. Materiales y métodos
2.1. Área de estudio
El área de estudio seleccionada correspondió a la
Zona Huetar Norte de Costa Rica. Fue seleccio-
nada esta región por que posee un alto desarrollo
agropecuario que se traduce a un paisaje con una
amplia variedad de usos y coberturas de la tierra
(Chassot et al., 2010). El área de estudio cuenta
con una extensión de 979 047 ha y se ubica en-
tre las coordenadas geográficas 85°26′57″ y
83°42′40″ longitud Oeste y 11°05′03″ y 10°10′47″
latitud norte. El clima de esta zona presenta una
temperatura media anual entre 14 y 28 °C y una
precipitación media anual que varía entre 1500
y 7000 mm. Según el sistema americano de cla-
sificación de suelos, en la región de estudio los
suelos más representativos son los correspondien-
tes a los órdenes Andisoles, Entisoles, Histosoles,
Inceptisoles y Ultisoles (Mata, et al., 2010). En
cuanto a las zonas de vida, en la Zona Huetar
Norte se encuentran bosques húmedos tropicales;
bosques muy húmedos tropicales, premontanos
y montanos bajos, además de bosques pluviales
premontanos, montano bajos y montanos (CCT,
1993).
2.2. Muestreo de campo y diseño
experimental
A partir de un mapa geográfico del área de estudio
se estableció una malla de 19 cuadrículas de 15 km
por 15 km (225 km2), de las cuales se selecciona-
ron aleatoriamente seis cuadrículas que se usaron
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 39
 Ávila-Pérez et al.

como repeticiones en un diseño experimental de fueron utilizados en la validación de resultados.

bloques al azar. El diseño experimental, por tanto,
consta de 6 bloques que actúan como repeticiones,
y tres factores: 1. tipo de imagen (con 2 niveles),
2. Algoritmo de clasificación (con 4 niveles), y
3. Mes de adquisición de las imágenes (con 5 ni-
veles). Con el fin de determinar el uso de la tierra
en campo, se procedió a visitar dichas cuadrículas
de muestreo recorriendo un 15% del área de estas
utilizando los caminos y carreteras existentes.
Las clases de uso y cobertura usadas en el estudio
fueron las definidas por el Sistema de Monitoreo
de la Cobertura y Uso de la Tierra y Ecosistemas
(SIMOCUTE) desarrollado para Costa Rica
(CENIGA, 2018), y posteriormente fueron recla-
sificadas en dos categorías: Bosque y No Bosque
(Tabla 1). Aleatoriamente se seleccionó un 70% de
las observaciones para la delimitación de aéreas
de entrenamiento, y el restante 30% de los puntos,
La Figura 1 detalla la ubicación espacial de los
bloques del diseño experimental, así como la loca-
lización de las áreas de entrenamiento y validación
utilizadas en el estudio.
2.3. Obtención y pre-procesamiento de
imágenes
Se obtuvieron imágenes Landsat-8 y Sentinel-2
nivel 1, a través de la plataforma en línea Earth
Explorer del Servicio Geológico de los Estados
Unidos (USGS, por sus siglas en inglés) y el
Centro de acceso abierto Copernicus de la ESA
(Tabla 2).
Se seleccionó para cada cuadrícula la imagen
de menor nubosidad disponible en el periodo
anteriormente indicado. Dado que no existían

Tabla 1. Clasificación de las clases de uso del suelo según categorías en estudio.

Categoría Clases de uso

Bosque Bosque maduro, Bosque intervenido, Bosque secundario: Temprano, Medio y Tardío y
plantaciones forestales y frutales.
No Bosque Cultivos anuales, Cultivos permanentes, Pastos, Cuerpos de agua e Infraestructura.

Figura 1. Ubicación de los bloques del experimento junto con de las áreas de entrenamiento y validación.

40 REVISTA DE TELEDETECCIÓN (2020) 57, 37-49

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
Tabla 2. Características de las imágenes analizadas en el estudio.
Identificador de la imagen
LC08_L1TP_015053_20170211_20170228_01_T1
LC08_L1TP_015053_20170331_20170414_01_T1
LC08_L1TP_015053_20170907_20170926_01_T1
LC08_L1TP_016053_20171219_20180125_01_T1
S2A_MSIL1C_20180401T160511_N0206_R054_T16PGS_20180401T222634
S2B_MSIL1C_20180208T160419_N0206_R097_T16PGS_20180208T192852
imágenes para un mismo mes libre de nubes para
todos los bloques, en el experimento se introdujo
un factor adicional a analizar que corresponde al
mes en que se obtuvo la imagen.
En el caso de las imágenes Landsat seleccionadas,
se obtuvieron los valores de reflectancia de la
superficie a través de una corrección atmosféri-
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
a que las imágenes descargadas de nivel 1 ya se
encontraban en valores de reflectancia arriba
de la atmósfera (TOA por sus siglas en inglés)
(ESA, 2020); el preprocesado de estas no incluyó
correcciones atmosféricas, sino, únicamente una
modificación de la resolución espacial de las ban-
das 1, 5, 6, 7 8a, 9, 10, 11 y 12 a 10 m de manera
para que todas estas tuvieran un píxel con la misma
resolución (10 m), y luego se procedió a la unión
de dichas bandas mediante el software SNAP de-
sarrollado por la Agencia Espacial Europea (ESA,
por sus siglas en inglés). Seguidamente, a partir
de todas las imágenes seleccionadas y corregidas,
se seleccionaron y extrajeron las secciones con
menor presencia de nubes para cada cuadrícula
de muestreo (escenas) mediante la herramienta
“Clipper” del programa Qgis 3.8, y finalmente se
procedió a la eliminación de las nubes y las som-
bras de nubes mediante el algoritmo MFMask 4.0
(Qiu et al., 2017).
2.4. Clasificación de imágenes
Para la determinación de la cobertura boscosa en
cada una de las cuadrículas de muestreo, se dibu-
jaron áreas de entrenamiento (ROIs) usando el
programa ENVI 5.5. Las áreas de entrenamiento
se crearon a partir de la información de los puntos
Tipo de Fecha de la Cobertura de
imagen imagen nubes (%)
Landsat 8 11-feb 13,85
Landsat 8 31-mar 14,8
Landsat 8 7-sep 56,86
Landsat 8 19-dic 5,61
Sentinel-2 1-abr 2,05
Sentinel-2 8-feb 18,71
tomados en la fase de muestreo de campo y la fo-
tointerpretación de las imágenes de alta resolución
más cercanas a los años de estudio disponibles
en la plataforma de Google Earth. En caso de
observarse en las imágenes, clases de uso no
identificadas en las visitas de campo, se procedió
a la creación de áreas de entrenamiento para estas
clases.
2.5. Algoritmos de clasificación
utilizados
En la clasificación de las imágenes se usaron cua-
tro tipos de algoritmos, a saber: los que utilizan
la Máxima Verosimilitud (MLC), los de Mínima
Distancia (MDC), los de Máquinas de Vectores
Soporte (SVM) y el de Redes Neuronales (NNC).
Las características de cada uno de los algoritmos
utilizados están descritas respectivamente por Shi y
Xue (2016), Wacker y Landgrebe (1972), Adankon
y Cheriet (2015), y Ndehedehe et al., (2013).
El alcance de la investigación no se enfocó en
la evaluación y optimización de cada uno de los
parámetros requeridos por los algoritmos, por lo
que los valores utilizados corresponden a los datos
por defecto del programa ENVI 5.5. En el caso
de MLC se utilizó un factor de escala de uno y
no se implementó un umbral de probabilidad. Para
MDC no se establecieron valores máximos para el
umbral de la desviación estándar ni para el error
de distancia máximo. El tipo de kernel implemen-
tado en SVM fue la Función de Base Radial; los
valores por defecto utilizados son detallados por
Harris GeoSpatial Solution (2020). Por último,
se utilizó una red neuronal prealimentada de tipo
perceptrón multicapa. Los valores por defecto im-
plementados para NNC pueden encontrarse en el
estudio llevado a cabo por Kupková et al. (2017).
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 41
 Ávila-Pérez et al.

2.6. Validación de las clasificaciones para evaluar normalidad dado que la muestra es

menor a 50, y la prueba de Levene para evaluar
A cada uno de los puntos separados para la va-
homoestacidad. La prueba de Levene indica igual-
lidación se le asoció las clases de uso de tierra
dad de varianzas (p=0.10), y la prueba de SK fue
identificadas en campo, la clasificación obtenida
significativa al 4% (p=0,04). Para corroborar este
para cada tipo de imagen satelital, mes en que se
último resultado se decidió también usar la prueba
obtuvo la misma, y el algoritmo de clasificación
de normalidad de Jarque-Bera disponible en R,
usado. Debido a la alta heterogeneidad del paisaje
la cual cuantifica que tanto se desvían los coefi-
bajo estudio y para corregir los errores derivados
cientes de asimetría y curtosis de los esperados en
del desplazamiento de las imágenes, así como el
una distribución normal. Esta última prueba no
error derivado del uso de GPS para identificar los
fue significativa para rechazar la hipótesis de nor-
puntos de control en el campo, a cada punto se le
malidad, obteniéndose un valor de Chi-cuadrado
creó una zona de amortiguamiento de 30 metros
de 4,09, y un p=0,129. Según estos resultados se
de radio. Se calculó la moda de las clases uso de
decidió entonces no hacer ninguna transformación
la tierra de los píxeles dentro de dicha zona de
en los datos. Finalmente, para analizar las diferen-
amortiguamiento. Este dato fue luego usado para
cias encontradas entre algunos de los factores e
construir las matrices de error de cada una las cla-
interacciones se llevaron a cabo pruebas de com-
sificaciones del experimento.
paraciones de medias de Tukey en los software R
e Infostat 2018e. La variable respuesta utilizada
2.7. Análisis de datos para estas pruebas fue la fiabilidad global de cada
tratamiento.
Para determinar la existencia de diferencias en la
fiabilidad de los tratamientos utilizados se llevó
a cabo un Análisis de la Varianza (ANOVA, por 3. Resultados
sus siglas en inglés) en el programa “R” e Infostat
3.1. Análisis de los resultados de la
2018e basado en un ensayo de bloques. Los tra-
tamientos probados consistieron en los factores
clasificación según tipo de imagen
descritos anteriormente en la sección “Muestreo
La comparación visual de las clasificaciones de
de campo y diseño experimental” así como las
cobertura mediante los dos tipos de imágenes
respectivas interacciones entre cada nivel de cada
muestra resultados semejantes. Las áreas clasifi-
factor. La variable respuesta seleccionada fue la
cadas como bosques en las imágenes analizadas
fiabilidad global obtenida para cada tratamien-
comparten en su mayoría la localización espacial
to. Para evaluar los requisitos estadísticos del
y los límites. Por ejemplo, en la Figura 2 se com-
ANOVA se usó la prueba de Shapiro-Wilks (SK)
paran los resultados de las clasificaciones para

Figura 2. Comparación de los resultados de clasificación según tipo de imagen satelital.

42 REVISTA DE TELEDETECCIÓN (2020) 57, 37-49

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

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)

el bloque seis, y en la sección noreste de ambas 3.2. Análisis de los resultados de

imágenes, se observa la forma del área boscosa la clasificación según algoritmo de
con la misma localización y forma, sin embargo, clasificación
se puede también notar que existe mayor defini-
La comparación visual de los resultados del uso
ción de las áreas en la Figura 2b, debido a que las
de los algoritmos de clasificación muestra que
imágenes de Sentinel-2 poseen mayor resolución
las clasificaciones obtenidas por los métodos
espacial. El p-valor obtenido para este factor
de Máxima Verosimilitud (MLC), Máquinas de
permite determinar con una fiabilidad de 98,64%
Vectores Soporte (SVM), y Redes Neuronales
(p-valor=0,0136) que existen diferencias signi-
(NNC) presentan resultados muy similares (Figura
ficativas para fiabilidad global debido al tipo de
3b, 3c y 3d), mientras que la clasificación por
imagen utilizada. La Tabla 3 muestra una supe-
Mínima Distancia (MDC) difiere de los anteriores
rioridad de la fiabilidad lograda con las imágenes
(Figura 3a). Por ejemplo, se puede observar en la
satelitales de Sentinel-2.

Figura 3. Comparación de los resultados de clasificación según algoritmo de clasificación.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 43

 Ávila-Pérez et al.

Tabla 4. Promedios de fiabilidad global de las clasificaciones de cobertura forestal según algoritmo de clasificación.

Fiabilidad promedio Prueba de Tukey

Algoritmo de clasificación (%) n Error estándar α=0,05
MDC 93,51 12 0,63 A
MLC 96,23 12 0,63 B
NNC 96,26 12 0,63 B
SVM 96,3 12 0,63 B
Nota: Medias con una letra diferente son significativamente diferentes (p < 0,05).

sección este de las clasificaciones por MLC, SVM
y NNC (Figura 3b, 3c y 3d) que las áreas iden-
tificadas corresponden en su mayoría a pastos;
sin embargo, la clasificación por MDC cataloga
como bosques dichas zonas (Figura 3a). Esto
concuerda con los estadísticos de fiabilidad que
se muestran en la Tabla 4. Es posible determinar
con una fiabilidad de 98,8% (p-valor=0,012) que
para los algoritmos MLC, SVM y NNC no se pre-
sentan diferencias significativas entre sí, pero son
estadísticamente superiores a los obtenidos con el
algoritmo de MDC. Por otro lado, el análisis de
varianza muestra que no existe interacción entre
los factores tipo de imagen y algoritmo de clasi-
ficación (p-valor=0,53), pero es posible obtener
resultados con una precisión ligeramente mayor
mediante la combinación del uso las imágenes de
Sentinel-2 con el algoritmo SVM.
3.3. Análisis de los resultados de la
clasificación según mes de la imagen
Los resultados obtenidos demuestran que exis-
ten diferencias significativas (p-valor=0,066),
en la fiabilidad global debido al mes en que
se tomó la imagen, por ejemplo, la Figura 4
muestra que con el uso de imágenes de sep-
tiembre se logra una menor fiabilidad, y aunque
no existe diferencias en la fiabilidad para los
meses de septiembre a diciembre, la prueba de
comparaciones múltiples de Tukey (α=0,05,
DMS=3,61) muestra que existe diferencias en-
tre las imágenes de septiembre y abril, lo cual
podría explicarse como diferencias de calidad y
nubosidad de las imágenes, ya que septiembre
coincide con la época lluviosa en la zona de
estudio, y abril con la época seca.
El análisis de varianza señala que existe interac-
ción entre algoritmo de clasificación y mes en
que se tomó la imagen (p=0,0081). La Tabla 5
muestra que en los resultados de los métodos
MLC y NNC no varían debido al mes, mientras
que la combinación menos satisfactoria corres-
ponde al uso del algoritmo MDC con imágenes
de septiembre. (Tukey DMS=5,11, α=0,05).

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.

44 REVISTA DE TELEDETECCIÓN (2020) 57, 37-49

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
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.
4. Discusión
En el caso de las diferencias en la fiabilidad debido
al tipo de imagen analizada (Tabla 3), los resul-
tados observados implican que con las imágenes
Sentinel-2 se obtiene una mejor identificación de
la cobertura boscosa. Este resultado coincide con
lo reportado por Topaloğlu et  al. (2016) quienes
compararon el comportamiento de los algoritmos
MLC y SVM en imágenes Landsat-8 y Sentinel-2
de la región de Estambul, Turquía. Estos autores
determinaron que las clasificaciones más exactas
se obtenían con las imágenes Sentinel-2, y obtu-
vieron una fiabilidad entre 3% y 8% mayores en
comparación con las alcanzadas a través de la
información del satélite Landsat-8.
El funcionamiento del clasificador MDC en el
presente estudio concuerda con diversas inves-
tigaciones en diversas zonas del planeta. Por
ejemplo, Madhura y Venkatachalam (2015) cla-
sificaron una imagen Landsat-8 del sur de India
mediante tres algoritmos de clasificación entre los
que se encontraron MLC y MDC. Dichos autores
obtuvieron para MLC una fiabilidad global de
93,33% mientras que para MDC el valor obtenido
correspondió a 85,72%. De igual forma, Booth y
Oldfield (1989) trabajaron imágenes Landsat de
Derbyshire, Inglaterra mediante cuatro clasifica-
dores entre los que se encontraron MDC y MLC.
En dicho estudio se obtuvieron valores de 87% de
fiabilidad global para MLC mientras que para el
algoritmo MDC el resultado obtenido fue igual
a 85,5%. En la presente investigación se obtuvo
el mismo comportamiento ya que el clasificador
MDC presentó valores de fiabilidad global meno-
res (93,5%) en relación con el resultado obtenido
para el algoritmo MLC (96,2%).
No se encontraron diferencias significativas entre
los promedios obtenidos mediante los algoritmos
MLC, SVM y NNC; este resultado difiere con el
de otras investigaciones. Por ejemplo, Guo et al.
(2008) en un estudio realizado en China com-
pararon el rendimiento de cuatro algoritmos de
clasificación entre los que se encontraban MLC y
SVM. Dichos autores indican que el clasificador
MLC es más rápido y estable que otros. Además,
señalan como otra ventaja, que el algoritmo MLC
es menos influenciado por el tamaño de la muestra
de entrenamiento.
De igual forma, Deilmai et al. (2014) compararon
la fiabilidad obtenida mediante clasificaciones
por MLC y SVM en imágenes Landsat del estado
de Johor en Malasia e identificaron el algoritmo
SVM como el de mejor rendimiento al obtener
valores de fiabilidad de 91,67% en comparación al
valor de 78,33% de fiabilidad obtenido mediante
el algoritmo MLC. De igual manera, se obtuvieron
mayores valores con SVM en comparación con
MLC en otro estudio de clasificación de usos de la
tierra de imágenes Landsat del estado en Odisha,
India (Mondal et al., 2012). En dicha investiga-
ción la fiabilidad general fue cercana al 78% para
MLC; mientras que para SVM se obtuvo una fia-
bilidad global superior al 90%.
Es importante aclarar que se puede garantizar
una mayor fiabilidad de los algoritmos SVM y
NNC al analizar diferentes arquitecturas de redes
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 45
 Ávila-Pérez et al.
y diferentes conjuntos de parámetros (Kupková
et  al., 2017); por lo que de llevarse a cabo esta
optimización, se podrían presentar diferencias
estadísticas de estos algoritmos en relación con
MLC. No obstante, debido a que al utilizar los
parámetros base del software utilizado, se ob-
tuvo una fiabilidad mayor a 90% para todos los
métodos, se decidió no incluir en el alcance de la
presente investigación la evaluación y optimiza-
ción de cada uno de los parámetros requeridos por
los algoritmos.
En cuanto a las diferencias a razón del mes en
que se obtuvieron las imágenes, se observa que
estas se corresponden con comportamiento de la
estación lluviosa y seca en el área de estudio. Los
meses con mayor precipitación son de mayo a
febrero, mientras que la época seca se da tan solo
entre los meses de marzo a mayo (Barrientos y
Chaves, 2008). Las imágenes utilizadas en este es-
tudio provenían de meses al final de la temporada
lluviosa o bien en periodo seco, y el mes en que
se reportó una menor fiabilidad es el único que se
encuentra en medio de la estación de lluvias.
El efecto de la época lluviosa puede deberse a dos
razones: Los ciclos fenológicos de la vegetación
en el área de estudio y la alta presencia de nubes
en la temporada de precipitaciones. En cuanto a
los ciclos fenológicos, diversas investigaciones
han demostrado como la actividad fotosintética de
las plantas a través del año puede variar la firma
espectral de los diferentes usos de la tierra.
Un estudio realizado entre 2001 y 2016 en bos-
ques de la cuenca Piaxtla-Elota-Quelite y el área
protegida Meseta de Cacaxtla, México mediante
imágenes MODIS detectó etapas fenológicas
muy marcadas que coinciden con lo observado
en la presente investigación: la etapa fotosintética
empieza en junio con las primeras lluvias, luego
el NDVI alcanza sus máximos valores en el mes
más lluvioso (septiembre), con un decrecimiento
de la actividad fotosintética entre los meses de
octubre y abril; por último, en el mes de mayo se
presenta la menor actividad fisiológica (Berlanga,
Cervantes y Murúa, 2018).
Vega y Alvarado (2019) demostraron que exis-
ten meses con una amplia variación en la firma
espectral para un mismo mes en años diferentes.
Entre los meses que presentan mayor variación
se encuentran marzo y abril, dos meses en medio
46 REVISTA DE TELEDETECCIÓN (2020) 57, 37-49
de la época seca y octubre, el cual es un mes en
medio de la temporada de lluvias. Los meses con
la respuesta espectral más estable a través de los
años fueron aquellos al inicio de la temporada de
lluvias, junio y julio.
La temporada de precipitaciones se encuentra
ligada a la presencia de nubes, las cuales se re-
portan como uno de los principales obstáculos en
el análisis de la superficie terrestre (Kristollari
y Karathanassi, 2019). Esto se debe a que el
efecto de brillo de las nubes y el efecto de oscure-
cimiento de sus sombras causa ruido en los datos,
provocando errores en la detección de los usos del
suelo, así como, en los cambios de cobertura (Zhu
y Woodcock, 2012). De esta manera, a pesar de
que se llevó a cabo la extracción de las nubes, es-
tas no pudieron ser eliminadas en un 100%, lo que
afectó los resultados de las imágenes del mes más
nuboso, septiembre. De igual forma, el efecto de
oscurecimiento comentado por Zhu y Woodcock
(2012) afectó en mayor medida al algoritmo
MDC, ya que algunas coberturas, al presentarse
más oscuras por la presencia de sombras de nubes,
fueron reconocidas como bosques por este clasi-
ficador el cual, como se comentó anteriormente,
tiende a dar una sobrestimación de las coberturas
forestales.
Finalmente, es importante mencionar que la
validación llevada a cabo contempló la alta frag-
mentación del paisaje estudiado (Chassot et al.,
2010). La diversidad de este provocó que una gran
cantidad de puntos de validación se encontraran
en bordes de masas arbóreas, por lo que se ubi-
caban sobre pixeles mixtos. Por tanto, los valores
identificados por este tipo de píxel pueden no
representar adecuadamente los usos de la tierra en
el área (Choodarathnakara et al., 2012). La resolu-
ción espacial de las imágenes en estudio provoca
que este tipo de píxeles sean comunes (Lu y Weng,
2007); por tanto, la validación no se realizó de
manera puntual, sino que se contempló el entorno
en el que se encontraba el punto, de forma que no
se produjeran errores debido a la existencia de los
pixeles mixtos.
5. Conclusiones
Mediante el estudio de los dos tipos de imágenes
satelitales y los cuatro diferentes algoritmos de
clasificación analizados, los resultados obtenidos
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
permiten concluir que se logra una mayor fiabi-
lidad en la identificación de la cobertura boscosa
en paisajes altamente fragmentados mediante los
algoritmos MLC, SVM y NNC, siendo SVM,
el algoritmo que tiende a presentar resultados
ligeramente superiores cuando se trabajan so-
bre imágenes Sentinel-2. Sin embargo, no hay
diferencia estadística en relación con las otras
técnicas, siempre y cuando no se lleve una optimi-
zación de los parámetros de los algoritmos NNC y
SVM. Además, el algoritmo MDC muestra que no
es apropiado, ya que produce una sobreestimación
del área de bosques. Por otro lado, en cuanto al
tipo de imagen, los resultados obtenidos reflejan
que se logra una mejor identificación de la cober-
tura boscosa mediante las imágenes Sentinel-2.
Agradecimientos
Los autores agradecen a la Vice-Rectoría de
Investigación y Extensión del ITCR por el apoyo
financiero y administrativo para la realización del
proyecto: Derivación indirecta de la distribución
espacial y estado de desarrollo de los bosques
secundarios en Costa Rica usando imágenes sateli-
tales de mediana resolución espacial. Igualmente se
agradece al programa de becas CeNAT-CONARE y
al laboratorio PRIAS del Centro Nacional de Alta
Tecnología (CeNAT) de Costa Rica por la facilita-
ción de los equipos de cómputo de avanzada y el
uso de las licencias de los softwares requeridos para
llevar a cabo esta investigación.
Referencias
Adankon, M., Cheriet, M. 2015. Support Vector
Machine. En Encyclopedia of Biometrics, Editada
por Stan Z. Li and Anil K. Jain, London: Springer.
https://doi.org/10.1007/978-1-4899-7488-4_299
Barrientos, O., Chaves, G. 2008. Región Huetar
Norte. Oferta exportada actual y oferta potencial
de productos agropecuarios alternativos. Último
acceso: 18 de marzo, 2020, de: https://web.archive.
org/web/20140309040649/ http://www.procomer.
com/contenido/descargables/investigaciones_
economicas/2008/Region_Huetar_Norte_final.pdf
Berlanga, C., Cervantes, A., Murúa, E. 2018.
Estacionalidad y tendencias del bosque
tropical caducifolio de la cuenca Piaxtla-Elota-
Quelite y el área protegida Meseta de Cacaxtla,
México. Madera y bosques, 24(3), 1-16.
https://doi.org/10.21829/myb.2018.2431576
Booth, D., Oldfield, R. 1989. A comparison of
classification algorithms in terms of speed
and accuracy after the application of a post-
classification modal filter. International
Journal of Remote Sensing, 10(7), 1271-1276.
https://doi.org/10.1080/01431168908903965
CCT. 1993. Mapa Ecológico de Costa Rica, según el
sistema de clasificación de Zonas de Vida del mundo
de L. R. Holdridge. Bolaños, R; Watson; V. 1993 /
Centro Científico Tropical (CCT) / esc: 1: 200 000).
En Atlas Digital de Costa Rica 2014. Editado por E.
Ortiz. ITCR, Cartago, Costa Rica.
Centro Nacional de Información Geoambiental
(CENIGA). 2018. Sistema de Definición de Clases
de los Usos y Coberturas de la Tierra de Costa Rica.
San José, Costa Rica.
Chassot, O., Chaves, H., Finengan, B., Monge, G. 2010.
Dinámica de paisaje en la Zona Norte de Costa Rica:
implicaciones para la conservación del bosque tropical
muy húmedo. Revista De Ciencias Ambientales,
39(1), 37-53. https://doi.org/10.15359/rca.39-1.5
Chazdon, R. 2014. Second growth: the promise of
tropical forest regeneration in an age of deforestation.
Chicago, University of Chicago Press. https://doi.
org/10.7208/chicago/9780226118109.001.0001
Choodarathnakara, A., Ashok, T., Koliwad, S., Patil, C.
2012. Mixed pixels: a challenge in remote sensing
data classification for improving performance.
International Journal of Advanced Research in
Computer Engineering and Technology (IJARCET),
1(9), 261-271.
Deilmai, B., Ahmad, B., Zabihi, H. 2014. Comparison
of two classification methods (MLC and SVM) to
extract land use and land cover in Johor Malaysia.
En IOP Conference Series: Earth and Environmental
Science, Volume 20, 7th IGRSM International
Remote Sensing & GIS Conference and Exhibition.
Kuala Lumpur, Malaysia, 22–23 de April. pp 1-7.
Del Toro, N., Gomariz, F., Cánovas, F., Alonso, F.
2015. Comparación de métodos de clasificación
de imágenes de satélite en la cuenca del Río Argos
(Región de Murcia). Boletín de la Asociación de
Geógrafos Españoles, 67, 327-347.
European Space Agency (ESA). 2020. Sentinel
Online, Level C-1. Último acceso: 15 de setiembre,
2020, de https://www.harrisgeospatial.com/docs/
SupportVectorMachine.html
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 47
 Ávila-Pérez et al.
Guo, J., Zhang, J., Zhang, Y., Cao, Y. 2008. Study on
the comparison of the land cover classification
for multitemporal MODIS images. Paper
presented at the fifth International Workshop
on Earth Observation and Remote Sensing
Applications, Xi’an, China, 18-20 de Junio. pp 1-6.
https://doi.org/10.1109/EORSA.2008.4620305
Harris Geospatial Solutions, Inc. 2020. Support
Vector Machine. Último acceso: 9 de julio,
2020, de https://www.harrisgeospatial.com/docs/
SupportVectorMachine.html
Hermosilla, T., Wulder, M., White, J., Coops, N.,
Hobart, G. 2015. An integrated landsat time series
protocol for change detection and generation of
annual gap-free surface reflectance composites.
Remote Sensing of Environment, 158, 220-234.
https://doi.org/10.1016/j.rse.2014.11.005
Kristollari, V., Karathanassi, V. 2020. Artificial neural
networks for cloud masking of Sentinel-2 ocean
images with noise and sunglint. International
Journal of Remote Sensing, 41(11), 4102-4135.
https://doi.org/10.1080/01431161.2020.1714776
Kupková, L., Červená, L., Suchá, R., Jakešová, L.,
Zagajewski, B., Březina, S., Albrechtová, J. 2017.
Classification of Tundra Vegetation in the Krkonoše
Mts. National Park Using APEX, AISA Dual and
Sentinel-2A Data. European Journal of Remote
Sensing, 50(1), 29-46. https://doi.org/10.1080/2279
7254.2017.1274573
Li, J., Yang, X., Maffei, C., Tooth, S., Yao, G. 2018.
Applying independent component analysis on
Sentinel-2 imagery to characterize geomorphological
responses to an extreme flood event near the
non-vegetated Río Colorado terminus, Salar de
Uyuni, Bolivia. Remote Sensing, 10(5), 725-743.
https://doi.org/10.3390/rs10050725
Lu, D., Weng, Q. 2007. A survey of image
classification methods and techniques for
improving classification performance. International
Journal of Remote Sensing, 28(5), 823-870.
https://doi.org/10.1080/01431160600746456
Madhura, M., Venkatachalam, S. 2015. Comparison of
supervised classification methods on remote sensed
satellite data: an application in Chennai, South India.
International Journal of Science and Research
(IJSR), 4(2), 1407-1411.
Mata, R., Rosales, A., Vásquez, A., Sandoval, D. 2010.
Mapa digital de suelos, órdenes y subórdenes, escala
1:200 000. Centro de investigaciones Agronómicas
(CIA), Faculta de Ciencias Agroalimentarias. UCR.
En Atlas Digital de Costa Rica 2014. Editado por: E.
Ortiz, ITCR, Cartago, Costa Rica.
48 REVISTA DE TELEDETECCIÓN (2020) 57, 37-49
Matthew, M., Adler-Golden, S., Berk, A., Richtsmeier,
S., Levine, R., Bernstein L., Acharya, P., Anderson,
G., Felde, G., Hoke, M., Ratkowski, A., Burke, H.,
Kaiser, R., Miller, D. 2000. Status of Atmospheric
Correction Using a MODTRAN4-based Algorithm.
SPIE Proceedings, Algorithms for Multispectral,
Hyperspectral, and Ultraspectral Imagery VI, 4049:
199-207. https://doi.org/10.1117/12.410341
Mondal, A., Kundu, S., Kumar, S., Shukla, R., Mishra,
P. 2012. Comparison of support vector machine and
maximum likelihood classification technique using
satellite imagery. International Journal of Remote
Sensing and GIS, 1(2), 116-123.
Mountrakis, G., Im, J., Ogole, C. 2011. Support
vector machines in remote sensing: A review.
ISPRS Journal of Photogrammetry and Remote
Sensing, 66(3), 247-259. https://doi.org/10.1016/j.
isprsjprs.2010.11.001
Mura, M., Bottalico, F., Giannetti, F., Bertani, R.,
Giannini, R., Mancini, M., Orlandini, S., Travaglini,
D., Chirici, G. 2018. Exploiting the capabilities
of the sentinel-2 multi spectral instrument for
predicting growing stock volume in forest
ecosystems. International Journal of Applied Earth
Observation and Geoinformation, 66, 126-134.
https://doi.org/10.1016/j.jag.2017.11.013
Murtaza, K., Romshoo, S. 2014. Determining the
suitability and accuracy of various statistical
algorithms for satellite data classification.
International Journal of Geomatics and Geosciences,
4(4), 585-599.
Ndehedehe, C., Ekpa, A., Simeon, O., Nse, O. 2013.
Understanding the Neural Network Technique for
Classification of Remote Sensing Data Sets. New
York Science Journal, 6(8), 26-33.
Nhamo, L., van Dijk, R., Magidi, J., Wiberg, D.,
Tshikolomo, K. 2018. Improving the accuracy
of remotely sensed irrigated areas using post-
classification enhancement through UAV
capability. Remote Sensing, 10(5), 712-723.
https://doi.org/10.3390/rs10050712
Ningthoujam, R., Tansey, K., Balzter, H., Morrison, K.,
Johnson, S., Gerard, F., George, C., Burbidge, G.,
Doody, S., Veck, N., Llewellyn, G., Blythe, T. 2016.
Mapping forest cover and forest cover change with
airborne s-band radar. Remote Sensing, 8(7), 577-
597. https://doi.org/10.3390/rs8070577
Olofsson, P., Foody, G., Herold, M., Stehman, S.,
Woodcock, C., Wulder, M. 2014. Good practices
for estimating area and assessing accuracy of land
change. Remote Sensing of Environment, 148, 42-
57. https://doi.org/10.1016/j.rse.2014.02.015
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
Perumal, K., Bhaskaran, R. 2010. Supervised
classification performance of multispectral images.
Journal of computing, 2(2), 124-129.
Pimple, U., Sitthi, A., Simonetti, D., Pungkul,
S., Leadprathom, K., Chidthaisong, A. 2017.
Topographic correction of Landsat TM-5 And
Landsat OLI-8 imagery to improve the performance
of forest classification in the mountainous terrain of
northeast Thailand. Sustainability, 9(2), 258-283.
https://doi.org/10.3390/su9020258
Ponce, D., Donoso, P., Salas-Eljatib, C. 2017.
Differentiating structural and compositional
attributes across successional stages in chilean
temperate rainforests. Forests, 8(9), 329-343.
https://doi.org/10.3390/f8090329
Qiu, S., He, B., Zhu, Z., Liao, Z., Quan, X. 2017.
Improving Fmask cloud and cloud shadow detection
in mountainous area for Landsats 4–8 images.
Remote Sensing of Environment, 199, 107-119.
https://doi.org/10.1016/j.rse.2017.07.002
Sader, S., Joyce. A 1988. Deforestation rates and trends
in Costa Rica, 1940 to 1983. Biotropica, 20, 11-19.
https://doi.org/10.2307/2388421
Sánchez, G., Rivard, B., Calvo, J., Moorthy, I. 2002.
Dynamics of tropical deforestation around national
parks: remote sensing of forest change on the
Osa Peninsula of Costa Rica. Mountain Research
and Development, 22(4), 352-358. https://doi.
org/10.1659/0276-4741(2002)022[0352:DOTDAN
]2.0.CO;2
Shen, H., Lin, Y., Tian, Q., Xu, K., Jiao, J. 2018. A
comparison of multiple classifier combinations
using different voting-weights for remote sensing
image classification. International Journal of
Remote Sensing, 39(11), 3705-3722. https://doi.org
/10.1080/01431161.2018.1446566
Shi, X., Xue, B. 2016. Parallelizing maximum likelihood
classification on computer cluster and graphics
processing unit for supervised image classification.
International Journal of Digital Earth, 10(7), 737-
748.
Topaloğlu, R., Sertel, E., Musaoğlu, N., 2016.
Assessment of classification accuracies of sentinel-2
and landsat-8 data for land cover/use mapping.
International Archives of the Photogrammetry.
Remote Sensing and Spatial Information Sciencies,
XLI-B8, 1055-1059. https://doi.org/10.5194/
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
Vogeler, J., Braaten, J., Slesak, R., Falkowski, M. 2018.
Extracting the full value of the Landsat archive:
Inter-sensor harmonization for the mapping of
Minnesota forest canopy cover (1973-2015). Remote
Sensing of Environment, 209, 363-374. https://doi.
org/10.1016/j.rse.2018.02.046
Wacker, A., Langrebe, D. 1972. Minimum Distance
Classification in Remote Sensing. En 1st Canadian
Symposium for Remote Sensing. Montreal, Canada,
7-9 de febrero. spp.
Walton, A. 2015. Assessing the performance of different
classification methods to detect inland surface
water extent. Bachelor Thesis. Institute of Geodesy,
Universidad de Stuttgart; Alemania.
Whyte, A., Ferentinos, K., Petropoulos, G. 2018. A new
synergistic approach for monitoring wetlands using
sentinels-1 and 2 data with object-based machine
learning algorithms. Environmental Modelling and
Software, 104, 40-54.
Yang, H., Pan, B., Wu, W., Tai, J. 2018. Field-based rice
classification in Wuhua county through integration
of multi-temporal sentinel-1A and landsat-8 OLI
data. International Journal of Applied Earth
Observation and Geoinformation, 69, 226-236.
https://doi.org/10.1016/j.jag.2018.02.019
Yang, X., Zhao, S., Qin, X., Zhao, N., Liang, L. 2017.
Mapping of urban surface water bodies from
Sentinel-2 MSI imagery at 10 m resolution via
NDWI-based image sharpening. Remote Sensing,
9(6), 596-603. https://doi.org/10.3390/rs9060596
Yin, H., Pflugmacher, D., Li, A., Li, Z., Hostert, P. 2018.
Land use and land cover change in inner Mongolia-
understanding the effects of china’s re-vegetation
programs. Remote Sensing of Environment, 204,
918-930. https://doi.org/10.1016/j.rse.2017.08.030
Zhao, F., Huang, C., Goward, S., Schleeweis, K.,
Rishmawi, K., Lindsey, M., Denning, E., Keddell,
L., Cohen, W., Yang, Z., Dungan, J., Michaelis,
A. 2018. Development of Landsat-based annual
US forest disturbance history maps (1986-2010)
in support of the North American Carbon Program
(NACP). Remote Sensing of Environmen, 209, 312-
326. https://doi.org/10.1016/j.rse.2018.02.035
Zhu, Z., Woodcock, C. 2012. Object-based cloud
and cloud shadow detection in Landsat imagery.
Remote Sensing of Environment, 118, 83-94.
https://doi.org/10.1016/j.rse.2011.10.028
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 49
Recibido: 14/06/2020 REVISTA DE TELEDETECCIÓN
Aceptado: 21/12/2020 Asociación Española de Teledetección
(2020) 57, 51-63
ISSN 1133-0953
EISSN 1988-8740
https://doi.org/10.4995/raet.2020.13855

CASO PRÁCTICO

Análisis espacial y temporal de la temperatura superficial

en la microcuenca Apacheta mediante datos térmicos
Landsat
Moncada, W. 1*, Willems, B. 2

Universidad Nacional de San Cristóbal de Huamanga, Ayacucho, Perú.

1

Centro de Competencia del Agua, Lima, Perú.

2

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.

1. Introducción buenos resultados  cuando se integra el NDVI con

El cambio climático tiene como evidencias la
desaparición de nevados y variaciones en la pre-
cipitación y la temperatura superficial del suelo
(TSS) y del aire que impacta en los ecosistemas
altoandinos, principalmente las zonas de recarga
hídrica o bofedales en las cabeceras de cuenca,
como es el caso de la microcuenca Apacheta que
tiene la menor intensidad de precipitación en
comparación a las otras zonas de la cuenca Cachi,
influyendo de manera directa en el almacena-
miento de agua en la presa Cuchoquesera para
el consumo poblacional, agrícola y ganadero
(Moncada et al., 2015).
El análisis de la TSS en los Andes es preocupante,
debido a que se ha registrado un incremento de
0,11 °C por década entre los años 1939 a 1998,
con 0,34 °C en los últimos 25 años, donde los dos
últimos años asociados con El Niño fueron los
más calientes (Vuille y Bradley, 2000); mientras
que Aguilar et al. (2019) registraron 0,50 °C por
década entre los 1000 a 1500 ms.n.m. y 1,7 °C por
década por encima de los 5000 ms.n.m. En ese
sentido, las zonas altas de los Andes por encima
de los 4000 ms.n.m. son las más afectadas, pues el
calentamiento se presentará con mayor intensidad
(Solman et al., 2008).
Es evidente que estos hechos conllevan a la reduc-
ción de los nevados, disminución de cuerpos de
agua, el estado de la vegetación, en general, la pér-
dida de los servicios ecosistémicos andinos, por lo
que se hace necesario monitorear la temperatura
superficial del suelo (TSS) utilizando las bandas
térmicas de las imágenes Landsat de los sensores
TM, ETM+ y TIRS (Quispe y Révolo, 2020).
Algunos métodos usan la inversión de la función
de Planck en la banda térmica, para estimar los
atributos del suelo, asociados a la reflectancia de
la superficie (Sayão et  al., 2018); otros, realizan
mediciones in situ para validar la TSS, obteniendo
un R2 de 0,76 y un RMSE de 1,96, y cuando se usa
EVI con un R2 de 0,78 y el RMSE de 1,85  (Xu
et al., 2020).
En este contexto, la teledetección y la investiga-
ción de campo sirven como fuente de datos, para
analizar patrones espacio-temporales de TSS,
correlaciones intrínsecas con NDVI y el conte-
nido de humedad en el suelo (MC) en diferentes
estaciones. Así lo demostró Chi et al. (2020) en
un estudio realizado a lo largo del río Amarillo
(China) donde la TSS fue baja en 1987 y alta en
el 2016, observando correlaciones significativas
entre la TSS y el NDVI a escala regional y entre
TSS, NDVI y MC a escala de sitio, permitiendo
el uso de la TSS como una variable agrometeoro-
lógica fundamental que tiene influencia medible
en el desarrollo de las plantas (Chi et  al., 2020;
Araghi et al., 2017).
A pesar de la importancia que tienen las cabece-
ras de cuenca, por ser zonas de recarga hídrica,
pocos son los estudios realizados sobre la influen-
cia de la TSS en la zona nival por encima de los
4800 m s.n.m. (TSSN), así como el posible impac-
to en el comportamiento de la cobertura de nieve o
en el régimen térmico, este último supeditado a la
presencia y variaciones de la nieve (Santos, 2016).
Un indicador de la cobertura de nieve es el índice de
nieve de diferencia normalizada (NDSI) propues-
to por Dozier (1989) para distinguir la superficie
glaciar de otras formas similares, como suelos
brillantes, agua y nubes. De esta manera se busca
analizar la variación espacio-temporal de la TSS a
partir de la banda térmica TM, ETM+ y TIRS en la
microcuenca Apacheta, Región Ayacucho, desde
1985 al 2018, integrado el NDVI, la emisividad
del suelo y la fracción de cubierta vegetal en el
cálculo de la TSS de la microcuenca.

52 REVISTA DE TELEDETECCIÓN (2020) 57, 51-63

Análisis espacial y temporal de la temperatura superficial en la microcuenca Apacheta mediante datos térmicos Landsat
2. Material y métodos
2.1. Área de estudio y datos utilizados
La microcuenca Apacheta, se ubica en la cabecera
de la cuenca Cachi en el distrito de Paras, provin-
cia de Cangallo, Región Ayacucho, con longitudes
de 74° 37’ 26.4” W a 74° 45’ 32.4” W y latitudes
de 13° 17’ 6” S a 13° 26’ 9.6” S. La línea limítrofe
mostrada en la Figura 1 separa el área sur en verde
claro perteneciente a la región Ayacucho del área
norte en verde oscuro perteneciente a la provincia
de Huaytará de la región Huancavelica. Tiene un
área determinada de 14.348,21 ha, con altitud
mínima de 4112 m s.n.m., altitud máxima de
5045 m s.n.m., y altitud media de 4651 m s.n.m.
(Pereda et al., 2018).
Tiene tres estadíos estacionales, el lluvioso con
valores altos de precipitación acumulada de
145,96 mm, temperatura mínima del aire 1,55 °C y
humedad relativa 74,04%; el estadío seco, con va-
lores altos de velocidad del viento 3,16 m/s y bajos
de temperatura mínima del aire -2,40 °C; el esta-
dío intermedio, con valores altos de temperatura
Figura 1. Ubicación geográfica de la microcuenca Apacheta, Región Ayacucho.
máxima del aire de 13,38 °C y radiación solar
552,37 Ly. La media anual de la precipitación
acumulada es 71,09 mm, la temperatura máxima
del aire 12,73 °C, la temperatura mínima del aire
-0,35 °C, la humedad relativa 40,43%, la velocidad
del viento 2,91 m/s y la radiación solar 514,43 Ly.
(Moncada et al., 2020).
Se escogió una muestra representativa de
182 imágenes Landsat libres de nubes, es decir, un
promedio de 5 a 6 imágenes por año, correspon-
dientes a la escena Path 06 y Row 69, desde enero
de 1985 hasta diciembre de 2018, descargadas
del servidor Visor de visualización Global de la
USGS (GloVis), https://glovis.usgs.gov/app. Se
realizó la corrección radiométrica y atmosférica
de las 182 imágenes Landsat de los sensores TM,
ETM+ y OLI, mediante el método Flaash (ITT
Visual Information Solutions, 2009; Rudjord y
Due, 2012; H. Aguilar et al., 2014).
El cálculo del NDVI, se realizó tomando los va-
lores de reflectancia de las bandas NIR y Rojo
(Huete et al., 2002).
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 53
 Moncada y Willems

2.2. Procesamiento de las bandas

NIR Rojo
NDVI  térmicas de los sensores TM, ETM+ y
NIR
Rojo (1)
TIRS
Asimismo, el cálculo del NDSI se realizó con los
El manejo de la información de las bandas térmi-
valores de reflectancia de las bandas Verde y el
cas de los sensores TM, ETM+ y TIRS requiere
infrarrojo de onda corta (SWIR), de acuerdo con
de un procesamiento para la estimación de la
(Dozier, 1989):
TSS en °C, conforme se detalla en el esquema
Verde S WIR de la Figura 2, según los métodos desarrollados
NDS I 
Verde
S WIR (2) por Artis y Carnahan (1982); Weng et al. (2004);
Avdan y Jovanovska (2016) y Jiménez-Muñoz
La banda verde es muy reflexiva a la nieve en et al., (2009; 2014).
comparación con la banda SWIR que es poco
La Fracción de Cubierta Vegetal (FCV) se define
reflexiva para la nieve y altamente reflexiva para
como la fracción horizontal de área asociada con
las nubes, permitiendo discriminar las nubes de la
la parte fotosintéticamente activa de vegetación,
nieve. Para el cálculo de la TSS se utilizó el valor
indica la proporción de suelo ocupada por vege-
de la temperatura TOA de las bandas térmicas de
tación que se adquiere de los umbrales de NDVI
los sensores TM, ETM+ y TIRS de resolución
(Gutman y Ignatov, 1998; Zhang et  al., 2009).
espacial 120, 60 y 100 m respectivamente, cuyas
Carlson y Ripley (1997) propusieron valores de
características se detallan en la Tabla 1 (Arvidson
NDVImax = 0,5 para vegetación de mayor verdor
et al., 2013; USGS, 2019).
y NDVImin = 0,2 para vegetación mínima presente
en suelo desnudo, de acuerdo con la Ecuación 3.

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.

Rango escala Rango

Sensor Rango longitud Longitud onda Resolución radiométrica temperatura
Banda de onda (μm) media (μm) Espacial (m) NEΔT a 285 K (W/m2srμm) útil (K)
B6-TM 10,40–12,50 11,45 120 0,17–0,3 1,238–15,3 200-340
0,26 0,0–17,04 130-350
B6-ETM+ 10,31–12,36 11,34 60
0,21 3,2–12,65 240-320
B10-TIRS 10,60–11,19 10,895 100 240-300
< 0,1 ---
B11-TIRS 11,50–12,51 12,01 100 240-360
Fuente: (USGS, 2019); (Arvidson et al., 2013).

Figura 2. Esquema del cálculo de la Temperatura Superficial del Suelo (TSS).

54 REVISTA DE TELEDETECCIÓN (2020) 57, 51-63

Análisis espacial y temporal de la temperatura superficial en la microcuenca Apacheta mediante datos térmicos Landsat

NDVI NDVI  2
NDVI 0
2  2 sustancialmente a los resultados de nuestro estudio

FCV 





min 
 


 (3)
 debido a las condiciones de alta transmisividad (y
NDVI NDVI 
 0
3  por tanto baja absorción) atmosférica en la zona
 max min 
de estudio.
Para Sobrino et al. (2004; 2008), la emisividad de
la superficie del suelo (e) se determina con la cla-
sificación del NDVI según los rangos de las clases 3. Resultados y discusión
especificadas en la Tabla 2, donde algunos valores
Los mapas anuales de la Figura 3 muestran la dis-
de e fueron tomados de Caselles et al. (2011) y
tribución espacial del comportamiento de la TSS
Mendoza (2014).
en la microcuenca Apacheta desde el año 1985
Las bandas térmicas se transformaron a radiancias hasta el 2018, en donde los píxeles azules corres-
utilizando los coeficientes radiométricos corres- ponden a zonas muy frías, llegando a alcanzar un
pondientes, y la temperatura de brillo se obtuvo a valor mínimo de -6 °C y los anaranjados las más
partir de la Ecuación 4. calientes, llegando a alcanzar un valor máximo de
K2 38 °C. En promedio, se observa que la TSS con
TB valores bajos se da durante los años 1985, 1986,
K1
Ln Lλ 1 (4) 1990 y 1991, 1994 a 1996, 2001 y 2007. Los va-
lores altos se presentan de 1987 a 1989, en 1992,
La TSS en °C se calcula a partir de la TB y de la 1993, 1997, 1998, 1999, 2002, 2003, 2005, 2006,
e, conforme a lo establecido por Artis y Carnahan siendo del 2010 al 2018 los años con los valores
(1982) y Weng et al. (2004), según la Ecuación 5. más altos en comparación con los años anteriores.
TB Los valores de la media anual de la TSS para toda
TSS 273,15 la microcuenca Apacheta (TSSM) extraídos de los
λσTB (5)
1 hc Ln ε mapas de la Figura 3 se registran en la Tabla 3, sien-
do el valor medio desde 1985 al 2018 de 17,8 °C,
Donde: h= 6,626×10-34  J·s-1 es la constante de
con una desviación estándar de 3,4 °C. También
Planck; c= 2,998×108 m·s-1 es la velocidad de la
se han calculado las anomalías estandarizadas de
luz; σ= 1,38×10-23J·K-1 es la constante de Stefan-
la TSSM para cada año, generándose valores por
Boltzmann; λ es la longitud de onda de la radiancia
encima del valor medio de la TSSM, denominadas
emitida para cada banda térmica, λTM=11,45  µm;
anomalías positivas, que indican incremento y las
λETM=11,34 µm y λTIRS=10,895 µm.
anomalías negativas con valores por debajo del
Si bien en el cálculo de la emisividad de la super- valor medio de la TSSM que indican disminución.
ficie se han utilizado índices obtenidos a partir de
La Figura 4 muestra las anomalías estandari-
reflectividades corregidas del efecto atmosférico,
zadas de la media anual de la TSSM en toda la
hay que señalar que la Ecuación 5 no incluye una
microcuenca, se observan anomalías positivas en
corrección atmosférica para la estimación de TSS.
amarillo con un significativo incremento de 1987
Consideramos que esta aproximación no afecta

Tabla 2. Emisividad de la superficie del suelo para las distintas clases según el rango de valores del NDVI.

Clase Rango de NDVI Emisividad (e)

Agua [0;-0,1] 0,99
Arena ⟨-0,1;0] 0,974
Suelo árido ⟨0;0,1] 0,958
Suelo orgánico ⟨0,1;0,157] 0,976
Suelo desnudo ⟨0,157;0,2] 0,935
Suelo heterogéneo (εs=0,966) y ⟨0,2;0,6] ε=0,966+0,007×FCV
rugosidad compuesta de vegetación (εv=0,973)
ε=(εv- εs)×FCV+εs
Suelo con vegetación densa ⟨0,6;0,727] 0,985
Suelo con vegetación inundada ⟨0,727;1] 0,986
Fuente: (Sobrino et al., 2004); (Caselles et al., 2011); (Mendoza, 2014).

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 55

 Moncada y Willems

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)

TSS-2015 (OLI) TSS-2016 (OLI) TSS-2017 (OLI) TSS-2018 (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.

56 REVISTA DE TELEDETECCIÓN (2020) 57, 51-63

Análisis espacial y temporal de la temperatura superficial en la microcuenca Apacheta mediante datos térmicos Landsat

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,
2005, 2006, 2008, 2010 a 2018, destacando 2005
con un valor medio anual de 23,3 °C como uno de
los años más calurosos durante el periodo de estu-
dio. Las anomalías negativas en rojo se dan en los
años 1985, 1986, 1990, 1991, 1994 a 1996, 2000,
2001, 2004, 2007 y 2009, resaltando 1985 con un
valor medio anual de 8,8 °C como uno de los años
más fríos durante todo el periodo de estudio. El
grado de fiabilidad de los resultados es del 96,7%
equivalente a un error del 3,3%.
En la serie de tiempo de la Figura 5 se muestra
la tendencia de la media anual de la TSSM, cuya
línea de tendencia sigue un significativo aumento,
de acuerdo con el modelo de la Ecuación 6.
TSSM(°C)=0,1486×Año – 279,59 (6)
Este modelo estima que entre 1985 y 2018 la
TSSM se ha incrementado en 4,9 °C, equivalente
a un 27,5% de la media anual de la TSSM.
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.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 57

 Moncada y Willems

Figura 5. Tendencia de la media anual de la TSSM, 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

58 REVISTA DE TELEDETECCIÓN (2020) 57, 51-63

Análisis espacial y temporal de la temperatura superficial en la microcuenca Apacheta mediante datos térmicos Landsat

Figura 6. Anomalías estandarizadas de la TSSN, desde 1985 hasta 2018.

anual de 23,2 °C como uno de los años más calu-
rosos durante el periodo de estudio en dicha zona.
Las anomalías negativas en rojo se dan en los
años 1985, 1986, 1990, 1991, 1994 a 1996, 2000 a
2002, 2007 y 2009, resaltando al año 1985 con un
valor medio anual de 6,9 °C como el más frío de
todos los años durante el periodo de estudio, tanto
en la zona nival como en toda la microcuenca. El
grado de fiabilidad de los resultados es del 95,9%,
equivalente a un error del 4,1%.
En la serie de tiempo de la Figura 7 se muestra
la tendencia de la media anual de la TSSN, con
una línea de tendencia que sigue un significativo
incremento según el modelo de la Ecuación 7.
TSSN(°C)=0,1751×Año – 334,18 (7)
Este modelo estima que entre 1985 y 2018 la TSSN
se ha incrementado notablemente (en 5.8  °C)
equivalente a un 35,3% de la media anual de la
TSSM. Es decir, la TSSN es mayor que la TSSM
en 0,9 °C, lo cual significa que la permanencia de

Figura 7. Tendencia de la media anual de la TSSN, desde 1985 hasta 2018.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 59

 Moncada y Willems

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.

60 REVISTA DE TELEDETECCIÓN (2020) 57, 51-63

Análisis espacial y temporal de la temperatura superficial en la microcuenca Apacheta mediante datos térmicos Landsat
sugiere plantear la hipótesis nula H0, esto es, no
hay diferencia significativa entre la TSSM y la
TSSN; la hipótesis alternativa H1 indica que si
hay diferencia significativa entre la TSSM y la
TSSN. La aplicación de ANOVA a los dos grupos
de valores da un p-valor = 0,11, el cual es mayor
al nivel de significancia α=0,05, por lo que se
acepta la hipótesis nula, lo que significa que no
hay diferencia significativa entre los valores de
TSSM y la TSSN. Del mismo modo, la aplicación
de la prueba Mann-Whitney-Wilcoxon da un
p-valor = 0,27, el cual también es mayor que el
nivel de significancia, confirmando que no hay
diferencia significativa entre ambos grupos de
temperaturas, de esta manera la TSSN y la TSSM
siguen el mismo comportamiento.
La cobertura de nieve de la zona nival por encima
de los 4800 m s.n.m. (CN) se calcula a partir del
NDSI en las imágenes Landsat del mismo periodo
en estudio. La correlación entre la CN y la TSSN
se muestra en la Figura 9, se observa que la res-
puesta nival de la CN obedece al comportamiento
de la TSSN según el modelo de la Ecuación 9.
CN = 5,2111(TSSN)2 – 234,76 (TSSN) + 2631,2 (9)
Significa que la TSSN explica en un 83,6% el
comportamiento de la CN, la misma que experi-
menta un fuerte decaimiento conforme aumenta la
TSSN.
4. Conclusiones
La construcción de los mapas de distribución
espacial del comportamiento anual de la TSS en
la microcuenca Apacheta permite identificar y
diferenciar las zonas frías de las calientes, además
de su variación en el tiempo. La cuantificación de
las anomalías positivas y negativas de la TSSM
muestran el mismo comportamiento que la TSSN,
demostrando que entre el 2010 y el 2018 existe
un fuerte incremento de ambas. De igual manera,
la tendencia en la serie de tiempo de la TSSM
desde 1985 al 2018 demuestra que hay un incre-
mento notable de 4,9 °C equivalente al 27,5% de
la TSSM, siendo menor que el incremento de la
TSSN de 5,8 °C equivalente al 35,3% de la TSSM.
Este resultado indica que la permanencia de nieve
en la zona nival está siendo afectada por los signi-
ficativos incrementos de temperatura en el suelo.
Las series temporales de la TSSM y de la TSSN
mantienen el mismo comportamiento, para lo cual
las pruebas no paramétricas ANOVA y Mann-
Whitney-Wilcoxon demuestran que ambos grupos
de valores no tienen diferencias significativas.
Asimismo, la variación de diferencia (∆T) entre
la TSSN y la TSSM muestra que ambas siguen
la misma tendencia positiva y que la TSSN está
incrementando en los últimos años más que la
TSSM.
El comportamiento de la TSSN influye de manera
directa en la CN, según el modelo representado
en la Ecuación 9, donde la TSSN explica en un
83,6% la variación de la CN, que a su vez expe-
rimenta un fuerte decaimiento a consecuencia del
progresivo incremento de la TSSN en la micro-
cuenca Apacheta desde 1985 a 2018.
Agradecimientos
Este trabajo ha sido posible gracias al apoyo
financiero de los proyectos “Strengthening resi-
lience of Andean river basin headwaters facing
global change” (PGA_084063) y “Agua-Andes:
Ecological infrastructure strategies for enhancing
water sustainability in the semi-arid Andes” fi-
nanciados por el Programa PEER de USAID, y el
proyecto “International Water Security Network”,
financiado por el Lloyd’s Register Foundation.
Los autores agradecen a la Universidad Nacional
de San Cristóbal de Huamanga por su incondicio-
nal apoyo.
Referencias
Aguilar, H., Mora, R., Vargas, C. 2014. Metodología
para la corrección atmosférica de imágenes
Aster, Rapideye, Spot 2 y Landsat 8 con el
módulo Flaash del software Envi. Revista
Geográfica de América Central, 2(53), 39-59.
https://doi.org/10.15359/rgac.2-53.2
Aguilar, J., Espinoza, R., Espinoza, J.C., Rojas, J.,
Willems, B.L., Leyva, W.M. 2019. Elevation-
dependent warming of land surface temperatures in
the Andes assessed using MODIS LST time series
(2000–2017). International Journal of Applied
Earth Observation and Geoinformation, 77, 119-
128. https://doi.org/10.1016/j.jag.2018.12.013
Araghi, A., Mousavi-Baygi, M., Adamowski, J. 2017.
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
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 61
 Moncada y Willems
Artis, D. A., Carnahan, W.H. 1982. Survey of emissivity
variability in thermography of urban areas.
Remote Sensing of Environment, 12(4), 313-329.
https://doi.org/10.1016/0034-4257(82)90043-8
Arvidson, T., Barsi, J., Jhabvala, M., Reuter, D.
2013. Landsat and Thermal Infrared Imaging.
En C. Kuenzer & S. Dech (Eds.), Thermal
Infrared Remote Sensing: Sensors, Methods,
Applications (pp. 177-196). Springer Netherlands.
https://doi.org/10.1007/978-94-007-6639-6_9
Avdan, U., Jovanovska, G. 2016. Algorithm
for Automated Mapping of Land Surface
Temperature Using Landsat 8 Satellite Data.
Journal of Sensors, 2016, 1480307-1480307.
https://doi.org/10.1155/2016/1480307
Carlson, T.N., Ripley, D.A. 1997. On the relation between
NDVI, fractional vegetation cover, and leaf area index.
Remote Sensing of Environment, 62(3), 241-252.
https://doi.org/10.1016/S0034-4257(97)00104-1
Caselles, E., Abad, F.J., Valor, E., Caselles, V.
2011. Automatic Generation of Land Surface
Emissivity Maps. Climate Change - Research and
Technology for Adaptation and Mitigation, 15.
https://doi.org/10.5772/24968
Chi, Y., Sun, J., Sun, Y., Liu, S., Fu, Z. 2020. Multi-
temporal characterization of land surface
temperature and its relationships with normalized
difference vegetation index and soil moisture
content in the Yellow River Delta, China.
Global Ecology and Conservation, 23, e01092.
https://doi.org/10.1016/j.gecco.2020.e01092
Dozier, J. 1989. Spectral signature of alpine snow
cover from the Landsat thematic mapper.
Remote Sensing of Environment, 28, 9-22.
https://doi.org/10.1016/0034-4257(89)90101-6
Gutman, G., Ignatov, A. 1998. The derivation of the
green vegetation fraction from NOAA/AVHRR data
for use in numerical weather prediction models.
International Journal of Remote Sensing, 19(8), 1533-
1543. https://doi.org/10.1080/014311698215333
Huete, A., Didan, K., Miura, T., Rodriguez, E.P.,
Gao, X., Ferreira, L.G. 2002. Overview of
the radiometric and biophysical performance
of the MODIS vegetation indices. Remote
Sensing of Environment, 83(1), 195-213.
https://doi.org/10.1016/S0034-4257(02)00096-2
ITT Visual Information Solutions. 2009. ENVI
Atmospheric Correction Module: QUAC and
FLAASH User’s Guide, Version 4.7, pp. 44.
http://www.harrisgeospatial.com/portals/0/pdfs/
envi/Flaash_Module.pdf
62 REVISTA DE TELEDETECCIÓN (2020) 57, 51-63
Jiménez-Muñoz, J.C., Sobrino, J.A., Skoković,
D., Mattar, C., Cristóbal, J. 2014. Land Surface
Temperature Retrieval Methods From Landsat-8
Thermal Infrared Sensor Data. IEEE Geoscience
and Remote Sensing Letters, 11(10), 1840-1843.
https://doi.org/10.1109/LGRS.2014.2312032
Mendoza, J.N. 2014. Implementación de un
método operativo para la estimación de
la temperatura superficial terrestre en la
Región Callao usando datos de las imágenes
satelitales. Universidad Nacional del Callao, 53.
http://repositorio.unac.edu.pe/handle/UNAC/966
Moncada, W., Pereda, A., Aldana, C., Masias, M.,
Jiménez, J. 2015. Cuantificación hidrográfica de la
cuenca del río Cachi-Ayacucho, mediante imágenes
satelitales. Instituto de Investigación Científica e
innovación Tecnológica de la UNSCH, II.
Moncada, W., Willems, B., Rojas, J. 2020. Estimación
de estadíos estacionales a partir de parámetros
climáticos medidos en la estación meteorológica
de la microcuenca Apacheta, Región Ayacucho,
2000 al 2018. Revista de Investigación de Física.
UNMSM, 23(2), 17-25. https://fisica.unmsm.edu.pe/
rif/previo_files/2020-2/03moncada.pdf
Pereda, A., Moncada, W., Verde, L. 2018. Respuesta
nival de la cabecera de cuenca Cachi-Apacheta de
Ayacucho: Vol. I. Editorial Académica Española.
https://www.morebooks.shop/store/es/book/
respuesta-nival-de-la-cabecera-de-cuenca-cachi-
apacheta-de-ayacucho/isbn/978-620-2-12620-5
Quispe, B.J., Révolo, R.H. 2020. Temperatura
superficial y estado de la vegetación del bosque de
Polylepis spp, distrito de San Marcos de Rocchac,
Huancavelica – Perú. Enfoque UTE, 11(3), 69-86.
https://doi.org/10.29019/enfoque.v11n3.592
Rudjord, Due, 2012. Evaluation of FLAASH
atmospheric correction (SAMBA/10/12; p. 24).
Norwegian Computing Center. http://publications.
nr.no/1338298623/Rudjord-Trier_FLAASH_2012.
pdf
Santos, B. 2016. Cubierta Nival y Temperaturas
de Superficie en Sierra Nevada a través del
tratamiento digital de imágenes de satélite
[Tesis Doctoral, Universitat de Barcelona].
http://diposit.ub.edu/dspace/handle/2445/108441
Sayão, V.M., Demattê, J.A.M., Bedin, L.G.,
Nanni, M.R., Rizzo, R. 2018. Satellite land
surface temperature and reflectance related
with soil attributes. Geoderma, 325, 125-140.
https://doi.org/10.1016/j.geoderma.2018.03.026
Análisis espacial y temporal de la temperatura superficial en la microcuenca Apacheta mediante datos térmicos Landsat

Sobrino, J., Jiménez, J., Paolini, L. 2004. Land

surface temperature retrieval from Landsat TM 5.
Remote Sensing of Environment, 90(4), 434-440.
https://doi.org/10.1016/j.rse.2004.02.003
Solman, S.A., Nuñez, M.N., Cabré, M.F. 2008.
Regional climate change experiments
over southern South America. I: Present
climate. Climate Dynamics, 30(5), 533-552.
https://doi.org/10.1007/s00382-007-0304-3
USGS, Landsat Collections, Landsat Missions.
Consultado el 14 de octubre de 2019, de
https://www.usgs.gov/land-resources/nli/landsat.
Vuille, M., Bradley, R.S. 2000. Mean annual temperature
trends and their vertical structure in the tropical
Andes. Geophysical Research Letters, 27(23), 3885-
3888. https://doi.org/10.1029/2000GL011871
Weng, Q., Lu, D., Schubring, J. 2004. Estimation of
land surface temperature–vegetation abundance
relationship for urban heat island studies.
Remote Sensing of Environment, 89(4), 467-483.
https://doi.org/10.1016/j.rse.2003.11.005
Xu, C., Qu, J.J., Hao, X., Zhu, Z., Gutenberg, L.
2020. Surface soil temperature seasonal variation
estimation in a forested area using combined
satellite observations and in-situ measurements.
International Journal of Applied Earth
Observation and Geoinformation, 91, 102156.
https://doi.org/10.1016/j.jag.2020.102156
Zhang, A., Liu, X., Di, W. 2009. Derivation of the green
vegetation fraction from TM data of three gorges area.
Procedia Earth and Planetary Science, 1(1), 1152-
1157. https://doi.org/10.1016/j.proeps.2009.09.177

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 63

Recibido: 02/07/2020 REVISTA DE TELEDETECCIÓN
Aceptado: 21/12/2020 Asociación Española de Teledetección
(2020) 57, 65-77
ISSN 1133-0953
EISSN 1988-8740
https://doi.org/10.4995/raet.2020.13946

CASO PRÁCTICO

Conectividad estructural entre los Páramos de

Guacheneque y Los Cristales, complejo Rabanal-río
Bogotá, Colombia
Forero-Gómez, Y.K.*1, Gil-Leguizamón, P.A.2, Morales-Puentes, M.E.3
1
Grupo GIGA, ViE-DIN, Escuela de Ingeniería Ambiental, Facultad de Ingeniería, Universidad Pedagógica y Tecnológica de
Colombia, Av. Central del Norte 39-115, Campus Universitario, Edificio Central (2do piso), Tunja-Boyacá, Colombia.
2
Grupo Sistemática Biológica-SisBio - Grupo de Investigación en Sostenibilidad Ambiental, Biodiversidad y Agroecología-
GISABA, Herbario UPTC, ViE-DIN, Escuela de Ingeniería Ambiental, Facultad de Ingeniería, Universidad Pedagógica y
Tecnológica de Colombia, Av. Central del Norte 39-115, Campus Universitario, Edificio Centro de Laboratorios, Tunja-
Boyacá.
3
Grupo Sistemática Biológica-SisBio, Herbario UPTC, ViE-DIN, Escuela de Biología, Facultad de Ciencias, Universidad
Pedagógica y Tecnológica de Colombia, Av. Central del Norte 39-115, Campus Universitario, Edificio Centro de
Laboratorios, Tunja-Boyacá.

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.

1. Introducción Es el caso del páramo, que es un sistema transi-

La conectividad estructural es una medida del
paisaje que impide o facilita la permeabilidad y el
desplazamiento de las especies entre hábitats, ba-
sado en características físicas y de configuración
de parches (Taylor et al., 1993; Hilty et al., 2020).
La pérdida de conectividad se evidencia en pro-
cesos de fragmentación y representa un problema
para la supervivencia y conservación de las espe-
cies, que afecta al flujo genético, a los procesos
de dispersión y al mantenimiento de la integridad
del ecosistema (Pascual-Hortal y Saura, 2006); un
ejemplo son los ecosistemas de alta montaña en
Colombia.
Algunos estudios interpretan la importancia de la
conectividad al identificar las rutas de desplaza-
miento de la fauna y los procesos de dispersión
de la flora (Bennet, 2003; Gergel y Turner, 2017).
El análisis de la conectividad se desarrolla a tra-
vés de las métricas del paisaje, que favorecen la
identificación de los flujos de biodiversidad entre
núcleos de hábitat (García-Gigorro y Saura, 2005;
Saura y Pascual-Hortal, 2007; Saura y Rubio,
2010; Correa-Ayram et al., 2014; Errejón-Gómez
et al., 2018).
cional entre el bosque altoandino y las nieves
perpetuas, es considerado ecosistema estratégico
debido al potencial de diversidad con especies
de flora (aproximadamente 4000 en Sudamérica,
60% endémicas) y fauna únicas por adaptaciones
morfológicas y fisiológicas (Llambí et al., 2012);
ofrece servicios ecosistémicos de provisión (abas-
tecimiento de alimento o recursos genéticos), de
regulación (relacionados con procesos de purifica-
ción del agua, polinización, regulación del clima,
aire y suelo), de soporte (reciclaje de nutrientes,
producción primaria, formación de suelo o pro-
visión de hábitat), y culturales, importantes en la
relación hombre-ecosistema.
Los páramos han experimentado transformaciones
por causas naturales (periodos glaciares e intergla-
ciares) y humanas (Vásquez y Buitrago, 2011).
Estas se relacionan con el uso inadecuado de los
recursos naturales, del suelo y la conversión de zo-
nas naturales en cultivos, que en conjunto generan
pérdida en área y calidad de hábitat (Armenteras
et al., 2003; Newbold et al., 2015).
En Colombia, el 36% de los municipios poseen
páramos; no obstante, 10 de éstos tienen el 70% de
su superficie cubierta por ecosistemas paramunos,

66 REVISTA DE TELEDETECCIÓN (2020) 57, 65-77

Conectividad estructural entre los Páramos de Guacheneque y Los Cristales, complejo Rabanal-río Bogotá, Colombia
y 31 con el 50%. No se conoce con certeza la exten-
sión del área destinada a actividades agropecuarias,
debido a que las zonas superiores a los 3000 m de
altitud no han sido evaluadas en sus impactos por
dichas actividades. Sin embargo, se estima que
aproximadamente el 13% de estas zonas se usa con
fines productivos (Sarmiento et al., 2013).
Casos particulares son los páramos de
Guacheneque y Los Cristales en Colombia, cuya
historia de uso de suelo, relaciona procesos de in-
tervención humana que han limitado la ampliación
de las áreas naturales de alta montaña, situación
acrecentada, en los complejos de páramos cundi-
boyacense (Arellano-P y Rangel-Ch, 2010). Por
lo anterior, el objetivo de esta investigación fue
analizar la conectividad estructural a través de
escenarios de cambio espacial y temporal entre
estas dos áreas naturales (como medida de conec-
tividad estructural); este trabajo se soporta en el
método de clasificación supervisada con imágenes
de satélite, en un periodo de 31 años (1987-2018),
con verificación de campo e interpretaciones a es-
cala de paisaje, a partir de métricas de diversidad,
composición y configuración. La información
aquí suministrada es necesaria para monitorear
los cambios de las coberturas y facilitar la toma
de decisiones en torno a la conservación y manejo
integral del territorio.
Figura 1. Ubicación espacial de los páramos de Guacheneque y Los Cristales (Boyacá -Cundinamarca).
2. Metodología
2.1. Área de estudio
Guacheneque y Los Cristales conforman el
complejo de páramos Rabanal-Río Bogotá, se
localizan en inmediaciones de los departamentos
de Boyacá (municipios de La Capilla, Pachavita,
Úmbita y Turmequé) y Cundinamarca (Chocontá,
Villapinzón, Machetá y Tibirita) en Colombia, en
un rango altitudinal entre 2400-3400 m (Figura 1).
El régimen de precipitación es bimodal, con un
periodo de lluvias entre abril-mayo y octubre-no-
viembre (109-209 mm), y un periodo seco entre
diciembre-febrero y julio-agosto (38-95  mm), sien-
do la precipitación anual de 700 a 1000 mm; las
temperaturas más cálidas de diciembre a enero
(16-17 °C), mientras que de julio a septiembre son
más frías (6-7 °C, con una media anual de 12 °C);
la humedad relativa promedio anual es de 86,6%
(CAR, 2018). En el área se realizan actividades
de tipo forestal protector, silvopastoril, cultivos
transitorios semi-intensivos, agrosilvopastoril,
conservación, recuperación y pastoreo extensivo
(Equipo Profesional POMCA Río Garagoa, 2018).
A continuación, se describen actividades de pre
y pos-procesamiento de imágenes de satélite
hasta la obtención de métricas de paisaje, así:
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 67
 Forero-Gómez et al.
pre-procesamiento: 1) adquisición de información
base; 2) combinación de bandas y rectificación
geométrica; 3) corrección radiométrica; 4) categoriza-
ción temática y verificación de campo (corroboración
de coberturas vegetales); pos-procesamiento: 1)
estadístico de fiabilidad temática; 2) análisis de co-
nectividad estructural a partir de métricas de paisaje.
2.2. Adquisición de información base
Se seleccionaron imágenes satelitales de los sen-
sores Landsat 4 (1987) y Landsat 8 (2018), de la
plataforma virtual del Servicio Geológico de los
Estados Unidos (USGS; Tabla  1), y fueron pro-
cesadas según lineamientos de Chuvieco (2002),
Chander et al. (2007), Posada (2012a,b), y Ariza
(2013), con uso de ERDAS Imagine v. 2016 y
ArcGIS v. 10.7.
2.3. Combinación de bandas y
rectificación geométrica
Se realizó combinación en falso color compuesto
(R:4, V:5, A:3 para 1987; R:5, V:6, A:4 para 2018)
según especificaciones del sensor, con el fin de dife-
renciar las coberturas vegetales en cada imagen. La
rectificación geométrica (herramienta AutoSync)
consistió en georreferenciar la imagen de 1987 con
base en 2018. Para ello, se generaron 145 puntos
de control de forma automática (en la extensión de
la imagen) y 152 de forma manual sólo en el área
de estudio. Se obtuvo un error estándar de 0,62 que
apoyó una corrección geométrica fiable (Posada,
2012a). Luego, se realizó el recorte de la zona de
interés a partir del polígono de referencia.
2.4. Corrección radiométrica
Corresponde a la conversión de los niveles digita-
les (ND) de las imágenes a niveles de reflectancia
Tabla 1. Principales metadatos de las imágenes satelitales procesadas.
Sensor Landsat 4 TM
Escena LT40080561987351XXX09
Fecha 1987/12/17
Path/Row 8/56
Resolución espacial 30 m
Resolución espectral 7 bandas
Resolución radiométrica 8 bits: 28
Elevación solar 60.94347070
Angulo azimutal solar 132.18091815
68 REVISTA DE TELEDETECCIÓN (2020) 57, 65-77
(NR), que permitió la comparación de las cober-
turas entre fechas (herramienta molder maker),
según la expresión:
Lʎ =  Greyscale · QCAL+Brescale
de tal forma que:
Grescale = (LMAXʎ-LMINʎ)/(QCALMAX-QCALMIN)
LMA X LMIN
Brescale LMIN QCA LMIN
QCA LMA X QCA LMIN
Donde: Lʎ: radiancia espectral en longitud de
onda determinada; QCAL: valor cuantificado y ca-
librado del pixel (ND); QCALMIN: valor mínimo
cuantificado y calibrado correspondiente a LMINʎ;
QCALMAX: 255, valor máximo cuantificado y
calibrado correspondiente a LMAXʎ; LMINʎ:
radiancia espectral del sensor correspondiente al
valor digital 0; LMAXʎ: radiancia espectral del
sensor correspondiente al valor digital 255.
El resultado obtenido se convirtió a NR, con el
objetivo de eliminar la radiancia recibida por el
sensor a causa de los efectos de la absorción y
dispersión que generan las partículas suspendidas
en la atmósfera, así:
ρʎ = πLʎd2/ESUNʎcosθs
donde: ρʎ: valor de reflectancia; Lʎ: radiancia
espectral; d: distancia en unidades astronómicas
de la Tierra al Sol; ESUNʎ: irradiancia solar; θs:
ángulo zenital solar en grados.
2.5. Categorización temática
Consistió en la delimitación de coberturas vege-
tales (clases temáticas) con la agrupación de los
NR de las imágenes (delimitación de áreas de en-
trenamiento), a través del método de clasificación
Landsat 8 OLI
LC80080562018076LGN00
2018/03/17
8/56
30 m
9 bandas
16 bits: 216
60.94347070
103.05323160
 Forero-Gómez et al.
pre-procesamiento: 1) adquisición de información
base; 2) combinación de bandas y rectificación
geométrica; 3) corrección radiométrica; 4) categoriza-
ción temática y verificación de campo (corroboración
de coberturas vegetales); pos-procesamiento: 1)
estadístico de fiabilidad temática; 2) análisis de co-
nectividad estructural a partir de métricas de paisaje.
2.2. Adquisición de información base
Se seleccionaron imágenes satelitales de los sen-
sores Landsat 4 (1987) y Landsat 8 (2018), de la
plataforma virtual del Servicio Geológico de los
Estados Unidos (USGS; Tabla 1), y fueron pro-
cesadas según lineamientos de Chuvieco (2002),
Chander et al. (2007), Posada (2012a,b), y Ariza
(2013), con uso de ERDAS Imagine v. 2016 y
ArcGIS v. 10.7.
2.3. Combinación de bandas y
rectificación geométrica
Se realizó combinación en falso color compuesto
(R:4, V:5, A:3 para 1987; R:5, V:6, A:4 para 2018)
según especificaciones del sensor, con el fin de dife-
renciar las coberturas vegetales en cada imagen. La
rectificación geométrica (herramienta AutoSync)
consistió en georreferenciar la imagen de 1987 con
base en 2018. Para ello, se generaron 145 puntos
de control de forma automática (en la extensión de
la imagen) y 152 de forma manual sólo en el área
de estudio. Se obtuvo un error estándar de 0,62 que
apoyó una corrección geométrica fiable (Posada,
2012a). Luego, se realizó el recorte de la zona de
interés a partir del polígono de referencia.
2.4. Corrección radiométrica
Corresponde a la conversión de los niveles digita-
les (ND) de las imágenes a niveles de reflectancia
Tabla 1. Principales metadatos de las imágenes satelitales procesadas.
Sensor Landsat 4 TM
Escena LT40080561987351XXX09
Fecha 1987/12/17
Path/Row 8/56
Resolución espacial 30 m
Resolución espectral 7 bandas
Resolución radiométrica 8 bits: 28
Elevación solar 60,94347070
Angulo azimutal solar 132,18091815
68 REVISTA DE TELEDETECCIÓN (2020) 57, 65-77
(NR), que permitió la comparación de las cober-
turas entre fechas (herramienta molder maker),
según la expresión:
Lʎ =  Greyscale · QCAL+Brescale
de tal forma que:
Grescale =  (LMAXʎ-LMINʎ)/(QCALMAX-QCALMIN)
LMA X LMIN
Brescale LMIN QCA LMIN
QCA LMA X QCA LMIN
Donde: Lʎ: radiancia espectral en longitud de
onda determinada; QCAL: valor cuantificado y ca-
librado del pixel (ND); QCALMIN: valor mínimo
cuantificado y calibrado correspondiente a LMINʎ;
QCALMAX: 255, valor máximo cuantificado y
calibrado correspondiente a LMAXʎ; LMINʎ:
radiancia espectral del sensor correspondiente al
valor digital 0; LMAXʎ: radiancia espectral del
sensor correspondiente al valor digital 255.
El resultado obtenido se convirtió a NR, con el
objetivo de eliminar la radiancia recibida por el
sensor a causa de los efectos de la absorción y
dispersión que generan las partículas suspendidas
en la atmósfera, así:
ρʎ = πLʎd2/ESUNʎcosθs
donde: ρʎ: valor de reflectancia; Lʎ: radiancia
espectral; d: distancia en unidades astronómicas
de la Tierra al Sol; ESUNʎ: irradiancia solar; θs:
ángulo zenital solar en grados.
2.5. Categorización temática
Consistió en la delimitación de coberturas vege-
tales (clases temáticas) con la agrupación de los
NR de las imágenes (delimitación de áreas de en-
trenamiento), a través del método de clasificación
Landsat 8 OLI
LC80080562018076LGN00
2018/03/17
8/56
30 m
9 bandas
16 bits: 216
60,94347070
103,05323160
Conectividad estructural entre los Páramos de Guacheneque y Los Cristales, complejo Rabanal-río Bogotá, Colombia

supervisada de tipo Máxima Verosimilitud y con 3. Resultados

la verificación directa en campo, que consistió
en recorridos en la zona de estudio con el fin de
corroborar cada una de las coberturas vegetales y
el registro de coordenadas en sistema WGS 84. De
esta forma, se contrastó la agrupación espectral
de la clasificación y la verdad del terreno a es-
cala 1:1 (ground truth). La verificación, permitió
identificar los ecosistemas de alta montaña y el
homólogo con el sistema de clasificación Corine
Land Cover (IDEAM, 2010), de esta forma, se
generaron salidas gráficas a escala 1:100.000 para
1987 y 2018 (Figura 2).
2.6. Estadístico de fiabilidad temática
Para evaluar la precisión de la clasificación se
elaboró una matriz de confusión, que comparó la
verdad del terreno (clases reales: verificación de
campo) con las unidades cartográficas clasificadas
(clases temáticas: coberturas vegetales). Con ella,
se obtuvo el número de asignaciones correctas
(coordenadas que concuerdan con la clasificación)
y los elementos migratorios del mapa temático de
2018. La veracidad de la clasificación fue soporta-
da con los estadísticos de fiabilidad del productor,
fiabilidad del usuario y el índice Kappa.
2.7. Conectividad estructural
La dinámica espacial y temporal de la conectividad
fue analizada a través de métricas de diversidad,
composición y configuración del paisaje, siguien-
do los criterios establecidos por McGarigal et al.
(2012), calculados con Fragstats v4.2.1. (Software
libre; Tabla 2).
3.1. Coberturas vegetales identificadas
en la verificación de campo
En los páramos de Guachenque y los Cristales,
se identificaron cuatro tipos de coberturas vege-
tales (Figura 2): 1. Arbustal denso (Ad; Código
Corine Land Cover-CLC: 3.2.2.1), corresponde a
vegetación de porte bajo, con especies arbustivas
que conforman la franja de subpáramo; 2. Bosque
abierto alto (Baa; CLC: 3.1.2.1), o ecosistema de
bosque alto andino; 3. Herbazal denso de tierra
firme no arbolado (HdTf, CLC: 3.2.1.1.1.1) o
páramo propiamente dicho con tipos fisionómicos
de pajonal y frailejonal; 4. Mosaico de pastos y
cultivos (Mpc, CLC: 2.4.2), compuesto por zonas
para agricultura (principalmente papa, frijol y al-
verja), así como ganadería.
3.2. Matriz de fiabilidad temática e
índice Kappa
Con la clasificación supervisada y la verificación
de campo se generaron 224 coordenadas para la
totalidad de la zona de estudio (30.846,15 ha);
del total de puntos, 207 son asignaciones correc-
tas (casillas grises en diagonal) y los restantes
(17) elementos fuga o migratorios entre clases
(Tabla 3).
La fiabilidad del usuario, que muestra la proba-
bilidad de que un punto clasificado pertenezca a
la categoría otorgada en campo, determinó valores
del 100% para las categorías Mosaico de pastos
y cultivos, Arbustal denso, y para Bosque abierto
alto 82% (Tabla 3). En el Herbazal denso de tie-
rra firme no arbolado (páramo), la precisión fue

Tabla 2. Métricas de diversidad, composición y configuración.

CARACTERÍSTICA MÉTRICA SÍMBOLO UNIDAD

Diversidad Riqueza de parches PR N°  de clases
Densidad de riqueza de parches PRD /
Área total del paisaje TA Hectárea (ha)
Número de parches total NP Total parches
Composición Área de parches CA Hectárea (ha)
Número de parches NP N° parches
Densidad de parches PD /
Porcentaje de paisaje PLAND Porcentaje (%)
Índice de parche más grande LPI Porcentaje (%)
Configuración Distancia al vecino más cercano ENN Metros (m)
Índice de conectividad CONNECT Metros (m)

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 69

 Forero-Gómez et al.

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
en los niveles de reflectancia entre esta cobertura
y la de Mosaico de pastos y cultivos en zonas ad-
yacentes; la baja precisión en estas coberturas fue
validada a través de la verificación de campo y el
ajuste en las salidas gráficas.
La fiabilidad del productor (que mide la probabili-
dad de que un punto de referencia sea clasificado
correctamente) arrojó valores superiores al 90%
para las categorías de Bosque abierto alto y
Mosaico de pastos y cultivos. En general, esta
fiabilidad fue superior al 83% para todas las
coberturas; mientras que el índice Kappa fue de
aproximadamente el 88%, entre la veracidad de la
clasificación supervisada con relación a la infor-
mación registrada en campo (Tabla 3).
3.3. Conectividad estructural
Diversidad: la zona de estudio tiene un área total
(AT) de 30.846,15 ha; a escala de paisaje, entre
1987 y 2018 el número de parches (NP) aumentó
(1987: 376; 2018: 396). La densidad de riqueza de
parches se mantiene (PRD: 0,0085), al igual que
la riqueza de los mismos (PR: 4), ya que corres-
ponden a las cuatro coberturas identificadas en el
periodo evaluado.
Composición: la cobertura con mayor área en
1987 y en 2018 es el Mosaico de pastos y cultivos
(Mpc, Figura 3 - C y D); en 31 años, esta cobertura
aumentó 288 ha, con 15.190,11 ha en 2018 (48%
de área total), evidenciado en el sector occidental
entre las áreas naturales de Guacheneque y Los
Cristales. El Herbazal denso de tierra firme no
arbolado (páramo – HdTf), y el Bosque abierto
alto (Baa), aumentaron aproximadamente en 24 y
165 ha para 2018 (Figura 3 - A, B, C y D). Este
cambio se originó al sur de Guacheneque y en Los
Cristales (municipio de Pachavita). Por el contra-
rio, la cobertura Arbustal denso disminuyó (Ad)
477 ha (Tabla 4; Figura 3 - E y F).
El Mosaico de pastos y cultivos se redujo en nú-
mero de teselas entre fechas (NP de 128 a 111),

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.

Datos de referencia en el terreno Usuario Productor

Clasificación Ad HdTf Mpc Baa Total Precisión (%) Error (%) Precisión (%) Error (%)
Ad 47 0 0 1 48 97,92 2,08 88,68 11,32
HdTf 0 5 7 0 12 41,67 58,33 83,33 16,67
Mpc 0 1 118 0 119 99,16 0,84 92,91 7,09
Baa 6 0 2 37 45 82,22 17,78 97,37 2,63
Total 53 6 127 38 224 Fiabilidad global de la clasificación (Kappa): 87,61%

70 REVISTA DE TELEDETECCIÓN (2020) 57, 65-77

Conectividad estructural entre los Páramos de Guacheneque y Los Cristales, complejo Rabanal-río Bogotá, Colombia

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

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 71

 Forero-Gómez et al.

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.

1987 2018 Cambio 1987-2018

Cobertura CA (ha) PLAND (%) CA (ha) PLAND (%) ha %
Mpc 14901,93 48,31 15190,11 49,24 288,18 0,93
Baa 7565,85 24,53 773,82 25,06 164,97 0,53
Ad 7911,81 25,65 7434,81 24,10 -477,00 -1,55
HdTf 466,56 1,51 490,41 1,59 23,85 0,08
Total 30846,15 100 30846,15 100

Para el Mosaico de pastos y cultivos, así como el
Herbazal denso, el índice de parche más grande
(LPI) aumentó (de 20 a 21% y de 0,79 a 0,83%).
Por el contrario, el Bosque abierto alto y el
Arbustal denso redujeron el área entre fechas (de
6,23 a 5,96% y de 8,76 a 8,33%, respectivamente).
Configuración: el Mpc y el Ad incrementaron
la distancia euclídea en 31 años (de 150,74 a
170,70 m y de 196,96 a 236,64 m respectivamen-
te), mientras que el Baa disminuyó la distancia
entre teselas (de 166,74 a 159, 27 m; Figura 4 - A);
para el HdTf la distancia euclídea y la conectivi-
dad son nulas, debido a la única tesela presente en
2018 (en 1987 dos polígonos distanciados 60 m).
Para 2018 el número de uniones funcionales
(conexiones entre teselas) aumentó para las cober-
turas de Mpc y Baa, mientras que para el Ad la
conectividad disminuyó al aumentar la distancia
entre teselas (Figura 4 - B, C y D).
4. Discusión
4.1. Verificación de campo
Los ecosistemas de Guacheneque y Los Cristales
están definidos por gradientes ambientales y
altitudinales, cuyas variaciones fisionómicas de-
terminan la transición entre el bosque altoandino y
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.

72 REVISTA DE TELEDETECCIÓN (2020) 57, 65-77

Conectividad estructural entre los Páramos de Guacheneque y Los Cristales, complejo Rabanal-río Bogotá, Colombia
de pastos y cultivos no permite diferenciar dicha
transición en algunas zonas, como se ha demostra-
do en otros complejos de páramos (Cuesta et al.,
2014; Gil, 2016). De esta forma, con la verifica-
ción en campo se identificaron diferencias en la
composición y la estructura de la vegetación.
En la verificación de campo, en el HdTf se
registraron especies con crecimiento en rose-
ta, macollas y herbáceas, como Espeletiopsis
rabanalensis, Puya goudotiana, Chusquea tes-
sellata, Hypericum, Rhynchospora, Eryngium,
Geranium, Calamagrostis y Paepalanthus. En Ad
la fisionomía está representada por Monochaetum
myrtoideum, Macleania rupestris, Ageratina,
Pentacalia, Disterigma, Berberis, Pernettya,
Gaultheria y Symplocos. En Baa son representati-
vas leñosas de más de 5 m de altura, de Viburnum,
Vallea, Oreopanax, Brunellia, Weinmannia,
Miconia, Clusia y Bucquetia; esta composición
también fue documentada por Carrillo et al.
(2017), Gil-Novoa y Morales-Puentes (2017),
Moreno-Mancilla et al. (2018), Olaya-Angarita
et al. (2019) y Gil-Leguizamón et al. (2020) en
otros ecosistemas de alta montaña del departa-
mento Boyacá.
4.2. Conectividad estructural
Los páramos evaluados, conforman un paisaje con
dinámicas de uso de suelo frecuente e intensivo.
Lo anterior, debido a largas trayectorias de ocu-
pación del territorio (Ether et al., 2000; Sarmiento
et al., 2013), así como a procesos ambientales
y sociales (Cuesta et al., 2014). Tales cambios,
afectan de manera directa o indirecta los bienes y
servicios que prestan dichos ecosistemas.
Para 2018, la cobertura Mosaico de pastos y culti-
vos (Mpc) comprendió áreas de bosque y arbustal
(incluso en áreas legalmente delimitadas como
zonas de páramo a escala 1:100.000); dicho suce-
so mostró la reducción del número de teselas de
Mpc, causado por la unión entre éstas, y un suelo
destinado para agricultura y ganadería. Las acti-
vidades agrícolas extensivas estimularon cambios
en el paisaje, y transformaron el entorno natural
(Gurrutxaga y Lozano, 2006).
Entre 1987 y 2018, los dos núcleos de páramo
(HdTf) unieron sus límites, por procesos de res-
tauración pasiva y reforestación (con Vaccinium
meridionale, Oreopanax floribundus, Weinmannia
tomentosa, Tibouchina grossa y Myrcianthes
leucoxyla registradas en la zona de estudio). Lo
anterior también fue demostrado por Jiménez
(2018), que indica que la trasformación positiva de
esta cobertura ha sido el resultado de la aparición
de nuevos parches de vegetación en el complejo
Rabanal-Río Bogotá.
El arbustal denso perdió 477 ha y aumentó el
número de teselas en 31 años. Este cambio se aso-
cia con transformaciones influenciadas por usos
agrarios, datos también registrados por Cortés
et al. (2004) y Bernal (2017) para los municipios
del área. De igual forma, las teselas aumentaron
la distancia euclídea y la conectividad entre años
disminuyó. Esta dinámica espacial y temporal del
páramo (que incluye arbustales del subpáramo) se
evidencia desde la época prehispánica (Ether et al.,
2008). La cordillera Oriental ha experimentado
transformaciones en los ecosistemas altoandinos
(Cuesta et al., 2014), lo que ocasionó el cambio
de las coberturas arbustivas y boscosas a pastiza-
les; lo anterior, ha generado el aislamiento entre
poblaciones (Santos y Tellería, 2006; Armenteras
et al., 2011; Gil-Leguizamón et al., 2018).
Espacialmente se identificaron modificaciones
fisionómicas en la vegetación; en 1987 se iden-
tificaron 192,3 ha dominadas por Arbustal denso
(Ad), áreas que para 2018 fueron definidas es-
pectralmente como Bosque abierto alto (Baa).
Esta modificación estructural de la vegetación es
producto de la sucesión, evidenciado en la amplia-
ción del borde del bosque, debido a procesos de
colonización, dispersión de semillas, expresión
del banco de semillas germinable en el suelo, así
como, reemplazo, competencia e inhibición de
especies de arbustal, asociado a procesos de res-
tauración pasiva (Prado-Castillo et al., 2018).
De igual forma, la creación del área protegida
“Parque Municipal Guanachas” impidió el avance
de la frontera agrícola y facilitó la preservación en
la zona. A su vez, el Parque tiene por objetivo la
conservación, mediante actividades ecoturísticas
como el senderismo (Acuerdo Municipal N° 007
de 1999). Esta tendencia también fue identificada
en el páramo de los Cristales, donde el bosque
aumentó 76,65 ha, producto de la creación y
delimitación del “Parque Municipal Llanadas”
(Acuerdo Municipal Nº 008 de 2005). Estas fi-
guras de protección permitieron la ampliación en
165 ha el bosque en 31 años.
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 73
 Forero-Gómez et al.
Lo anterior corrobora que las políticas de fomento
para el ecoturismo contribuyen a la recuperación
y desarrollo de las áreas naturales. Sin embargo,
las políticas públicas son inexistentes en gran
parte de las áreas de páramo e, incluso algunas
de ellas, entran en conflicto con los habitantes de
estas zonas (Múnera y Barreto, 2016; Méndez,
2019); es por esto que se hace necesario trazar
directrices que incorporen una visión integral
sobre los espacios de alta montaña (Sarmiento
et al., 2017).
Aunque el número de parches de bosque aumen-
tó entre fechas y amplió el área producto de la
creación de nuevas teselas (en áreas protegidas),
también experimentó modificaciones en la confi-
guración espacial, debido a la pérdida de parches
distribuidos en 1987 entre las islas de páramo
(inmersas entre la matriz del paisaje). Esta pér-
dida pudo irrumpir rutas de desplazamiento de la
fauna (Bennet, 2003; Gergel y Turner, 2017).
La distancia euclídea del bosque se redujo para
2018 (7,47 m); en términos ecológicos (Fahrig,
2003, García-Gigorro y Saura, 2005; Saura
y Pascual-Hortal, 2007; Sierra et  al., 2020)
representa trayectorias más cortas para el des-
plazamiento de las especies entre núcleos de esta
cobertura (Saura y Rubio, 2010; Correa-Ayram
et al., 2014; Errejón-Gómez et al., 2018; Flantua
et al., 2019). Los valores del índice de conectivi-
dad entre 1987 y 2018 se mantienen para teselas
con distancias <1000 m y aumenta para aquellas
>1000 m; ello se debe a la ampliación de Baa
en las zonas naturales de Guacheneque y Los
Cristales, mientras que en sus inmediaciones se
perdieron teselas por actividad agrícola.
Por consiguiente, se identificó un proceso de
fragmentación de las teselas de Bosque abierto
alto de 1987 a pequeños fragmentos inmersos en
la matriz de pastos y cultivos para el 2018, debi-
do al crecimiento económico y a la demanda de
recursos por parte de los habitantes locales (Etter
y van Wyngaarden, 2000; Rodríguez et al, 2013).
No obstante, el aumento de la conectividad es
producto de la recuperación de la biodiversidad
en áreas alejadas a dichas actividades, más no
a la creación de nuevos fragmentos de bosque
(Gergel y Turner, 2017).
74 REVISTA DE TELEDETECCIÓN (2020) 57, 65-77
4.3. Consideraciones finales
En Guachemeque y Los Cristales, los cambios
espaciales en 31 años (1987-2018) modificaron la
conectividad estructural, ocasionando la pérdida
de hábitat natural e incremento de la relación pe-
rímetro/superficie en el paisaje, lo que incrementa
el riesgo de extinción local de la flora y la fauna.
El distanciamiento entre teselas dificulta la disper-
sión, los procesos reproductivos de las especies y
disminuye la eficacia biológica de los fragmentos,
debido a la influencia de la matriz circundante.
Por lo anterior, son necesarias prácticas integrales
de manejo sostenible de los ecosistemas y una
planificación articulada del territorio con fines de
restauración ecológica, repoblamiento de especies
nativas que propicien procesos de conectividad
funcional y que garanticen el abastecimiento y la
regulación de servicios ecosistémicos, junto con
acciones de educación ambiental.
Agradecimientos
Los autores agradecen a Vidal González “El
Guardián del Páramo de Guacheneque” por compar-
tirnos su conocimiento y guiarnos en ese maravilloso
ecosistema catalogado como vulnerable.
Referencias
Arellano-P., H., Rangel-Ch., J. O. 2010. Fragmentación
y estado de conservación en páramos de Colombia.
Colombia Diversidad Biótica X Cambios global
(natural) y climático (antrópico) en el páramo
colombiano. Bogotá DC, Colombia: Universidad
Nacional de Colombia, Instituto de Ciencias
Naturales, 479-541.
Ariza, A. 2013. Descripción y Corrección de Productos
Landsat 8 LDCM (Landsat Data Continuity Mission).
Bogotá D.C., Colombia: Centro de Investigación
y Desarrollo en Información Geográfica (CIAF).
Instituto Geográfico Agustín Codazzi (IGAC).
Armenteras, D., Gast, F., Villareal, H. 2003. Andean
forest fragmentation and the representativeness
of protected natural areas in the eastern Andes,
Colombia. Biological conservation, 113, 245-256.
https://doi.org/10.1016/S0006-3207(02)00359-2
Armenteras, D., Rodríguez, N., Retana, J., Morales,
M. 2011. Understanding deforestation in
montane and lowland forests of the Colombian
Andes. Reg Environ. Change, 11(3), 693-705.
https://doi.org/10.1007/s10113-010-0200-y
Conectividad estructural entre los Páramos de Guacheneque y Los Cristales, complejo Rabanal-río Bogotá, Colombia
Bennett, A.F. 2003. Linkages in the Landscape: The
Role of Corridors and Connectivity in Wildlife
Conservation. IUCN, Gland, Switzerland and
Cambridge, UK. https://doi.org/10.2305/IUCN.
CH.2004.FR.1.en
Bernal, M. 2017. Conflictos socioambientales en
el páramo de Guacheneque y estrategias de
conservación para el ordenamiento ambiental
regional (Tesis de Maestría). Universidad Nacional
de Colombia, Bogotá.
Carrillo, M.Y., Morales-Puentes, M.E., Gil-Leguizamón,
P.A. 2017. Catálogo de la flora (angiospermas) del
páramo de Bijagual, Boyacá, Colombia. Boletín
Científico del Centro de Museos, 21(2), 15-29.
CAR. 2018. Elaboración del Diagnóstico, Prospectiva,
Formulación de la cuenca Hidrográfica del río
Bogotá Subcuenca río alto Bogotá. Bogotá D.C.,
Colombia: CAR, Planeación Ecológica LTDA y
Ecoforest LTDA.
Chander, G., Markham, B.L., Barsi, J.A.
2007. Revised Landsat-5 Thematic Mapper
Radiometric Calibration. IEEE Geoscience
and Remote Sensing Letters, 4(3), 490-494.
https://doi.org/10.1109/LGRS.2007.898285
Chuvieco, E. 2002. Teledetección ambiental. La
observación de la tierra desde el espacio. España:
Editorial Ariel S.A.
Correa-Ayram, C.A., Mendoza, M.E., López-
Granados, E. 2014. Análisis del cambio en la
conectividad estructural del paisaje (1975-2008)
de la cuenca del lago Cuitzeo, Michoacán, México.
Revista de Geografía Norte Grande, 59, 7-23.
https://doi.org/10.4067/S0718-34022014000300002
Cortés-S., S.P., Rangel-Ch., J.O., Serrano-V., H. 2004.
Transformación de la cobertura vegetal en la alta
montaña de la cordillera Oriental de Colombia. Lyonia:
A Journal of ecology and application, 6(2), 153-160.
Cuesta, F. J., Sevink, L., Llambí, B., De Bièvre, B.,
Posner, J. 2014. Avances en investigación para
la conservación de los páramos andinos. Quito,
Ecuador: CONDESAN.
Duque, M., Montes del Olmo, C. 2011. Los servicios
de los ecosistemas de Chocontá: un ejercicio de
percepción con sus habitantes. NOVA - publicación
científica en ciencias biomédicas, 9(15), 113-214.
https://doi.org/10.22490/24629448.500
Equipo profesional POMCA. (2018). Documento
general del Pomcarg (POMCA río Garagoa).
Errejón-Gómez, J.C., Vila-Subirós, J., Flores-Flores, J.L.,
Reyes-Hernández, H., Muñoz-Robles, C.A. 2018.
Conectividad de los ecosistemas entre las reservas de
la biosfera “El Cielo” y “Sierra del Abra Tanchipa” en
México. Investigaciones Geográficas, 70, 181-196.
https://doi.org/10.14198/INGEO2018.70.09
Etter, A., McAlpine, C., Possingham, H. 2008.
Historical Patterns and Drivers of Landscape
Change in Colombia since 1500: A Regionalized
Spatial Approach. Annals of the Association
of American Geographers, 98(1), 2-23.
https://doi.org/10.1080/00045600701733911
Etter, A., van Wyngaarden, W. 2000. Patterns of
Landscape Transformation in Colombia, with
Emphasis in the Andean Region. AMBIO: A
Journal of the Human Environment, 29(7), 432-439.
https://doi.org/10.1579/0044-7447-29.7.432
Fahrig, L. 2003. Effects of habitat fragmentation
on biodiversity. Annual Review of Ecology,
Evolution, and Systematics, 34, 487-515. https://doi.
org/10.1146/annurev.ecolsys.34.011802.132419
Flantua, S., O’Dea, A., Onstein, E., Giraldo,
C., Hooghiemstra, H. 2019. The flickering
connectivity system of the north Andean paramos.
Journal of Biogeography, 46, 1808-1825.
https://doi.org/10.1111/jbi.13607
García-Gigorro, S., Saura, S. 2005. Forest fragmentation
estimated from remotely sensed data: is comparison
across scales possible? Forest Science, 51(1), 51-63.
https://doi.org/10.1093/forestscience/51.1.51
Gergel, S.E., Turner, M.G. 2017. Learning
Landscape Ecology. New York: Springer-Verlag.
https://doi.org/10.1007/978-1-4939-6374-4
Gil, P. A. 2016. Análisis multitemporal de la vegetación
del Macizo de Bijagual, Boyacá. (Tesis de Maestría).
Universidad Pedagógica y Tecnológica de Colombia,
Tunja.
Gil-Leguizamón, P.A., Morales-Puentes, M. E., Jácome,
J. 2020. Estructura del bosque altoandino y páramo
en el Macizo de Bijagual, Boyacá, Colombia.
Revista de Biología Tropical, 68(3), 765-776.
Gil-Leguizamón, P.A., Bravo-Pedraza1, W.J.,
Hernández-Velandia, D.R., Moreno-Mancilla, O.F.,
Morales-Alba, A.F., Reyes Camargo, J.E., Ovalle-
Pacheco, A.L., Muñoz-Avila, J.A., Vergara, P., Ortiz,
L., Useche, D.S. 2018. Capítulo 4 - restauración
ecológica del bosque altoandino en la vereda
Montoya (Ventaquema, Boyacá): avances. En Prado-
Castillo, L. F., Gil-Leguizamón, P. A., Sabogal-
González, A., Morales-Puentes, M. E. (Eds.),
Restauración de ecosistemas de montaña: cultura y
ecología desde el páramo y el piedemonte llanero,
(pp. 139-177), Tunja, Colombia: Búhos editores
Ltda. https://doi.org/10.19053/978-958-660-335-5.4
Gil-Novoa, J. E., Morales-Puentes, E. 2017. Briófitos del
complejo de páramos Tota-Bijagual-Mamapacha: un
acercamiento a su riqueza y fitogeografía. Ciencia
en Desarrollo, 1E(Suplemento Especial), 157-158.
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 75
 Forero-Gómez et al.
Gurrutxaga, M., Lozano, P.J. 2006. Efectos de la
fragmentación de hábitats y pérdida de conectividad
ecológica dentro de la dinámica territorial.
Polígonos: Revista de Geografía, 16, 35-54.
https://doi.org/10.18002/pol.v0i16.410
Hilty, J., Worborys, G.L., Keeley, A., Woodley, S.,
Lausche, B., Locke, H., Carr, M., Pulsford, I.,
Pittock, J., White, J.W., Thebald, D.M., Levine,
J., Reuling, M., Watson, J.E.M., Ament, R.,
Tabor, G.M. 2020. Guidelines for conserving
connectivity through ecological networks and
corridors. Best Practice Protected Area Guidelines
Series No. 30. Gland, Switzerland. IUCN.
https://doi.org/10.2305/IUCN.CH.2020.PAG.30.en
IDEAM. 2010. Leyenda Nacional de Coberturas de la
Tierra. Metodología CORINE Land Cover adaptada
para Colombia Escala 1:100.000. Bogotá, D. C.,
Colombia: Instituto de Hidrología, Meteorología y
Estudios Ambientales.
Jiménez, L. 2018. Análisis multitemporal de la
cobertura de la tierra del páramo Rabanal – Río
Bogotá y su condición frente a los escenarios
de cambio climático, utilizando sistemas de
información geográfica. (Tesis de especialización).
Universidad Libre, Bogotá.
Llambí, L.D., Soto, A., Celleri, R., De Bievre, B., Ochoa,
B., Borja, P. 2012. Páramos Andinos: Ecología,
Hidrología y Suelos de Páramos. Monsalve Moreno.
McGarigal, K., Cushman, S.A., Ene., E. 2012.
FRAGSTATS v4: Spatial Pattern Analysis Program
for Categorical and Continuous Maps. Department
of Environmental Conservation, University of
Massachusetts, Amherst.
Méndez, O.L. 2019. Los intereses emergentes sobre
la alta montaña y la vida campesina: tensiones
y contradicciones de la delimitación de páramos
en Colombia. Cuadernos de Geografía: Revista
Colombiana de Geografía, 28(2), 322-339.
https://doi.org/10.15446/rcdg.v28n2.70549
Moreno-Mancilla, O.F., Caro-Melgarejo, D.P.,
Morales-Puentes, M.E., Gil-Leguizamón, P.A.
2018. Entre plantas y animales: una muestra de
la diversidad del DRMI Rabanal (Boyacá) y el
piedemonte llanero Sabanalarga (Casanare),
Tunja, Boyacá, Colombia: Búhos Editores Ltda.
https://doi.org/10.19053/978-958-660-332-4
Múnera, J.R., Barreto, J.C. 2016. Disyuntivas
ambientales y Políticas de los Campesinos Paperos
del Páramo de Cortadera en Boyacá-Colombia.
Psicología Política, 16(37), 321-334.
76 REVISTA DE TELEDETECCIÓN (2020) 57, 65-77
Newbold, T., Hudson, L., Hill, S., Contu, S., Lysenko,
I., Senior, R., Börger, L., Bennett, D., Choimes,
A., Collen, B., Day, J., De Palma, A., Díaz, S.,
Echeverria-Londono, S., Edgar, M., Feldman,
A., Garon, M., Harrison, M., Alhusseini, T.,
Purvis, A. 2015. Global effects of land use on
local terrestrial biodiversity. Nature, 520, 45-50.
https://doi.org/10.1038/nature14324
Olaya-Angarita, J.A., Díaz-Pérez, C.N., Morales-Puentes,
M.E. 2019. Composición y estructura de la transición
bosque-páramo en el corredor Guantiva-La Rusia
(Colombia). Revista de Biología Tropical, 67(4), 755-
768. https://doi.org/10.15517/rbt.v67i4.31965
Pascual-Hortal, L., Saura, S. 2006. Comparison
and development of new graph based
landscape connectivity indices: towards the
priorization of habitat patches and corridors for
conservation. Landscape Ecology, 21, 959-967.
https://doi.org/10.1007/s10980-006-0013-z
Posada, E. 2012a. Manual de prácticas de percepción
remota I. Bogotá D.C., Colombia: Centro de
Investigación y Desarrollo en Información
Geográfica (CIAF). Instituto Geográfico Agustín
Codazzi (IGAC).
Posada, E. 2012b. Manual de prácticas de percepción
remota II. Bogotá D.C., Colombia: Centro de
Investigación y Desarrollo en Información
Geográfica (CIAF). Instituto Geográfico Agustín
Codazzi (IGAC).
Prado-Castillo, L.F., Gil-Leguizamón, P.A. Sabogal-
González, A., Morales-Puentes, M.E. 2018.
Restauración de ecosistemas de montaña: cultura y
ecología desde el páramo y el piedemonte llanero.
Tunja, Boyacá, Colombia: Búhos Editores Ltda.
Rodríguez, N., Armenteras D., Retana. J. 2013. Land
use and land cover change in the Colombian
Andes: dynamics and future scenarios.
Journal of Land Use Science, 8(2), 154-174.
https://doi.org/10.1080/1747423X.2011.650228
Santos, T., Tellería, J.L. 2006. Pérdida y fragmentación
del hábitat: efecto sobre la conservación de las
especies. Ecosistemas, 15(2), 3-12.
Sarmiento, C., Cadena-Vargas, C., Sarmiento, M.,
Zapata, J., León, O. 2013. Aportes a la conservación
estratégica de los páramos de Colombia:
Actualización de la cartografía de los complejos de
páramo a escala 1:100.000. Bogotá, D.C. Colombia:
Instituto de Investigación de Recursos Biológicos
Alexander von Humboldt.
Conectividad estructural entre los Páramos de Guacheneque y Los Cristales, complejo Rabanal-río Bogotá, Colombia

Sarmiento, C., Osejo, A., Ungar, P., Zapata, J. 2017.

Páramos habitados: desafíos para la gobernanza
ambiental de la alta montaña en Colombia.
Biodiversidad en la práctica: Documentos de
trabajo del Instituto Humboldt, 2(1), 122-145.
Saura, S., Rubio, L. 2010. A common currency for
the different ways in which patches and links can
contribute to habitat availability and connectivity
in the landscape. Ecography, 33, 523-537.
https://doi.org/10.1111/j.1600-0587.2009.05760.x
Saura, S., Pascual-Hortal, L. 2007. A new habitat
availability index to integrate connectivity in
landscape conservation planning: comparison with
existing indices and application to a case study.
Landscape and Urban Planning, 83(2-3), 91-103.
https://doi.org/10.1016/j.landurbplan.2007.03.005
Sierra, J.A., Marín, D., Salazar, D., García, M.V.,
Quijano, M.A. 2020. Especies pioneras, persistentes
y ensayos de germinación en bosques montanos de la
cordillera Central, Colombia. Ciencia en Desarrollo,
11(2), 9-25. https://doi.org/10.19053/01217488.v11.
n2.2020.10645
Taylor, P.D., Fahrig, L., Henein, K., Merriam,
G. 1993. Connectivity is a Vital Element of
Landscape Structure. Oikos, 68(3), 571-573.
https://doi.org/10.2307/3544927
Vásquez, A., Buitrago, A. 2011. El gran libro de los
páramos. Bogotá, D. C., Colombia: Instituto de
Investigación de Recursos Biológicos Alexander
von Humboldt.
Verano, A., Villamizar, A. 2017. Lineamientos
agroecológicos para el desarrollo del agroecoturismo
en páramos. Turismo y Sociedad, 21, 253-273.
https://doi.org/10.18601/01207555.n21.12

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 77

Recibido: 30/01/2020 REVISTA DE TELEDETECCIÓN
Aceptado: 21/09/2020 Asociación Española de Teledetección
(2020) 57, 79-94
ISSN 1133-0953
EISSN 1988-8740
https://doi.org/10.4995/raet.2020.13082

CASO PRÁCTICO

Cartografía de la afección y recuperación vegetal del

incendio de Las Peñuelas en Moguer (Huelva) con
imágenes satelitales. Año 2017
Vales, J.J.2*, Pino, I.2, Granado, L.2, Prieto, R.2, Méndez, E.2, Rodríguez, M.1,
Giménez de Azcárate, F.2, Ortega, E.1, Moreira, J.M.1
1
Área de Información, Evaluación, Análisis Ambiental y Fondos Europeos. Secretaría General de Medio Ambiente, Agua y
Cambio Climático. Consejería de Agricultura, Ganadería, Pesca y Desarrollo Sostenible Junta de Andalucía (CAGPDS).
Avda. Manuel Siurot, 50, 41071, Sevilla, España.
2
Red de Información Ambiental de Andalucía (Rediam), Agencia de Medio Ambiente y Agua, Johan Gutenberg, 1, 41092,
Sevilla, España.

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.
1. Introducción
El estudio de los efectos que un incendio forestal
genera en el medio ambiente puede realizarse
mediante trabajo de campo y/o mediante el uso
de imágenes procedentes de observaciones remo-
tas. Esta última técnica y fuente de información
permite cubrir en su totalidad y, en diferentes
momentos, la superficie afectada por el fuego.
Los sensores remotos registran información en
las distintas longitudes de onda del espectro elec-
tromagnético, y a partir de las variaciones en las
propiedades ópticas de la vegetación se pueden
analizar diferentes fenómenos relacionados con el
fuego, como el grado de afección de la vegetación
y el grado de regeneración.
Así, la teledetección permite la caracterización
de la superficie quemada según varios métodos
(Dedios-Mimbela, 2006) para un ecosistema de
bosque seco. Se ha utilizado ampliamente para de-
terminar a diferentes escalas el nivel de severidad
de los incendios (Key y Benson, 2005), la pérdida
de cobertura vegetal (Miller y Yool, 2002) y la
tasa de recuperación de las comunidades vegetales
(Díaz-Delgado y Pons, 2003). Un elemento común
dentro de este tipo de estudios es la utilización de
información espectral con el diseño de índices con
información de diferentes bandas espectrales que
han demostrado tener niveles de correlación con
parámetros biofísicos de la vegetación como la
cantidad de biomasa, la actividad fotosintética, la
productividad y el contenido hídrico (De Santis y
Chuvieco, 2007).
Para la caracterización espectral de la vegetación
quemada hay que considerar dos tipos diferentes de
señal: la proveniente de la formación, deposición
de carbón y cenizas consecuencia de la combus-
tión de la vegetación, tiene el inconveniente de
tener una corta duración en el tiempo, ya que se
degrada por la acción de los agentes externos, que
pueden eliminarlo a las pocas semanas o meses
después de ocurrido el incendio; y la procedente
80 REVISTA DE TELEDETECCIÓN (2020) 57, 79-94
de la alteración de la estructura y cantidad de la
vegetación, más estable, pero menos nítida para
discriminar los efectos del fuego, puesto que otros
factores pueden también causar cambios en la
vegetación (Pereira et al., 1999).
En este contexto, y basado en experiencias previas
sobre otros grandes incendios como el de Quesada
en 2015 (Carpintero et al., 2017) se llevó a cabo
una evaluación mediante teledetección, por con-
siderarse una técnica adecuada que contribuye
en gran medida al análisis de los incendios y las
cubiertas vegetales afectadas, así como de sus
efectos ecológicos, climáticos y atmosféricos
(Justice et  al., 1985; Roughgarden et  al., 1991).
Posteriormente, para obtener cartografía de super-
ficies quemadas es común utilizar metodologías
que se basan en el uso de imágenes de media
resolución (Sentinel-2) para la obtención de la
afección de la zona incendiada (De Santis et al.,
2007), y la estimación de la regeneración vegetal
(Granado et al., 2019; Pino et al., 2019).
Una metodología habitual para cartografiar la
superficie quemada con técnicas de teledetección
fue la comparación entre dos imágenes, una antes
y otra después del incendio, mediante el método
de diferencia entre bandas espectrales o índices
de vegetación (Manzo-Delgado y López-García,
2013). El objeto de estos índices es realzar las
diferencias espectrales de las zonas quemadas
respecto a las demás cubiertas y análisis de la
regeneración vegetal tras el incendio (Bastarrika
et  al., 2011; García-Martínez y Pérez-Cabello,
2015). Estudios precedentes demostraron el po-
tencial de los índices espectrales para el estudio
de los incendios por teledetección, como la Ratio
Relativizada de Área Quemada (Relativized
Burn Ratio; RBR) y el Índice de Vegetación de
Diferencia Normalizada (Normalized Difference
Vegetation Index; NDVI) entre otros mu-
chos (Fernández-Manso et  al., 2016; Navarro
et al., 2017). Estos índices de vegetación son
Cartografía de la afección y recuperación vegetal del incendio de Las Peñuelas en Moguer (Huelva) con imágenes
satelitales. Año 2017
transformaciones que implican efectuar una
combinación matemática entre los niveles digita-
les almacenados en dos o más bandas espectrales
de la misma imagen (Esperanza y Zerda, 2002).
Estos índices están condicionados por cambios
en el estado fisiológico de las coberturas vegeta-
les, y sus variaciones pueden ser utilizadas para
estudios espaciotemporales del comportamiento
de la vegetación. Con el RBR se estudiará el
grado de severidad del incendio y con el NDVI
la regeneración de la vegetación en los meses
posteriores.
El presente artículo tiene por objeto describir
los trabajos de obtención de información base,
necesaria para elaborar el Plan de Gestión (Ley
5/1999, de 29 de junio) para la restauración del
área afectada y la monitorización de la evolución
de la misma, en cumplimiento de la obligatoriedad
de garantizar las condiciones para la restaura-
ción de la vegetación de los terrenos forestales
incendiados. Para ello se desarrollaron una serie
de procesos destinados a obtener la superficie
afectada por el incendio, evaluar la severidad del
fuego y hacer un seguimiento del proceso de re-
generación del ámbito afectado. Estos trabajos se
enmarcaron por tanto en la fase de evaluación y
análisis pos-emergencia.
2. Material y métodos
2.1. Características del área de estudio
El área de estudio es el incendio forestal del Paraje
Las Peñuelas, en el término municipal de Moguer
(Huelva), que afectó también a otros términos
municipales de la provincia: Almonte, Lucena del
Puerto y Palos de la Frontera.
El incendio se inició el sábado 24 de junio de
2017, a las 20:50 h y fue dado por estabilizado el
27 de junio por el dispositivo INFOCA (Informe
ejecutivo del Incendio de Las Peñuelas). Desde el
inicio del mismo los factores de propagación fue-
ron las altas temperaturas y el viento de noroeste
con fuerza de 20-25 km/h subiendo a 50 km/h,
provocando focos secundarios por pavesas a
900 metros de distancia. El fuego afectó a dos
espacios protegidos: el Parque Natural de Doñana
(6761 ha) y el Paraje Natural Laguna de Palos y
Las Madres (17 ha).
Dentro de la superficie recorrida por el fuego
existen zonas de escasa afección y también zonas
no forestales (edificaciones, cortafuegos, vías de
circulación, cultivos,...). En total, el fuego dañó
9856,64 ha forestales, en un 80% formaciones de
matorral con pino o pinar denso.
El área afectada se encuentra en la región biogeo-
gráfica mediterránea, caracterizada por elevada
insolación, inviernos suaves y pequeña oscila-
ción térmica. La precipitación media anual es de
461,5 mm con aridez estival. Los vientos domi-
nantes son de dirección suroeste, favoreciendo
una alta humedad.
Se trata de una gran planicie que antes de al-
canzar el mar, se eleva en una enorme duna: el
Médano del Asperillo, con cotas que alcanzan los
100 m de altura, y termina abruptamente en un
acantilado. Es un territorio caracterizado por la
esterilidad de su sustrato, prácticamente sílice,
su movilidad y su dificultad para retener el agua.
A grandes rasgos, pueden diferenciarse en la
zona 4 sistemas fisiográficos: acantilados y du-
nas, riberas y vaguadas, mantos eólicos y dunas
estabilizadas, y arenas basales y glacis.
En el área quemada dominaba una importante
masa forestal de pinar de pino piñonero y al-
bergaba numerosas especies singulares como la
Armenia velutina o la Linaria tursica, así como
17 Hábitats de Interés Comunitario (HIC), todos
ellos con la categoría de prioritarios o propuestos
como prioritarios para Andalucía: estanques tem-
porales en dunas y arenas litorales, dunas costeras
fijas con vegetación herbácea, y brezales atlánti-
cos en dunas y arenas litorales descalcificadas.
2.1.1. Cuantificación de la superficie afectada
La evaluación general de la superficie afectada
por el fuego en el incendio de Las Peñuelas
(Moguer) se ha realizado empleando una ortoi-
magen Pléiades de alta resolución (0,5 m) tomada
el día 29 de junio de 2017, cinco días después de
la declaración del mismo y cuando ya se encon-
traba estabilizado. Tras el análisis de la misma y
la digitalización de la zona afectada por el fuego
(Figura 1), el perímetro más preciso del área
afectada por el incendio, y que se adopta como
tal, da un resultado de 10 344,40 ha (Tabla 1).
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 81
 Vales et al.

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

Lucena del Puerto 1038,68 10,05 14,97 2.3. Estimación de la severidad

Almonte 3174,11 30,68 3,68
Se lleva a cabo una primera evaluación de la
Moguer 6130,09 59,26 30,07 severidad del fuego mediante técnicas de te-
Total 10344,40 100
ledetección, dado que la aplicación de índices
de severidad calculados a partir de imágenes de

Tabla 2. Cronología uso de imágenes y datos.

82 REVISTA DE TELEDETECCIÓN (2020) 57, 79-94

Cartografía de la afección y recuperación vegetal del incendio de Las Peñuelas en Moguer (Huelva) con imágenes
satelitales. Año 2017

satélite permite realizar una evaluación rápida
sobre extensas superficies, tener acceso a infor-
mación de zonas poco accesibles y permite repetir
la evaluación para comparar otras zonas o épo-
cas, todo ello con unos costes asumibles (Key y
Benson, 2006).
Las áreas totalmente quemadas generan una
reflectancia espectral diferente frente a las no
afectadas. La mayoría de los estudios usan índi-
ces espectrales obtenidos por medio de diferentes
combinaciones de bandas (Montorio et al., 2014).
En este caso se decidió aplicar el índice de seve-
ridad RBR (Relativized Burn Ratio) (Ecuación 1)
(Parks et al., 2014), por ser un índice con mayor
sensibilidad a cambios en las zonas incendiadas
cuya cobertura vegetativa previa al fuego es baja,
como en este caso ocurría en la zona dunar.
RBR= dNBR / (NBRpre + 1,001) (1)
valores del índice por píxel afectado por el fue-
go, se agrupan en intervalos de severidad, para
la verificación posterior de resultados (fase de
validación) (Tabla 3).
Se definieron los umbrales de corte para cada cate-
goría atendiendo a su grado de severidad, con los
criterios detallados en la (Figura 2).
Tabla 3. Umbrales de clasificación de la severidad.
Umbrales
Clases (valor píxel) Denominación
1 RBR < 0,07 no quemado
2 0,07 <RBR <0,13 baja
3 0,13 <RBR< 0,22 moderada baja
4 0,22 <RBR< 0,32 moderada alta
5 RBR> 0,22 alta

donde, dNBR = (NBRpre – NBRpost) y NBR =

(Rnir – Rswir) / (Rnir + Rswir) y donde, Rnir (ban-
da 8 Sentinel2) y Rswir (banda 12 Sentinel2), son
las reflectividades en las regiones del infrarrojo
cercano y onda corta.
Para trabajar con este índice y según la meto-
dología propuesta por Key y Benson (2005) se
necesitan dos imágenes, una previa al incendio
y otra posterior. Para ello, se seleccionaron las
imágenes del satélite Sentinel-2 del 1 de junio
de 2017 (pre-incendio) y 1 de julio de 2017
(post-incendio), fechas muy próximas entre sí
minimizando de esta forma los cambios en la fe-
nología de la vegetación que pudieran repercutir
en dicho índice. Debido a la extensión del incen-
dio, los trabajos de campo se dividieron en dos
fases (julio y agosto/septiembre). Para evitar po-
sibles cambios fenológicos en la vegetación que
pudieran haber ocurrido en la segunda fase de
trabajo de campo se calculó una nueva imagen de
RBR, pero esta vez con la imagen post-incendio
(20/08/2017).
Figura 2. Cartografía de severidad a partir del RBR sobre
Para la clasificación de estas imágenes en ni-
imagen Sentinel-2 del 01/07/2017.
veles de severidad, se utilizaron los umbrales
de clasificación que suelen encontrarse en la
bibliografía especializada (Key y Benson, 2006; Las categorías de severidad definidas (no que-
Miller y Thodei, 2007). Aunque son valores obte- mado, baja, moderada-baja, moderada-alta y
nidos bajo condiciones específicas son utilizados alta) fueron las identificadas en las parcelas de
como una primera aproximación al cálculo de la muestreo.
extensión del incendio. Una vez obtenidos los

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 83

 Vales et al.

2.3.1. Evaluación en campo copas consumida; D, Severidad alta: combustión

completa, presencia de la ceniza.
Tras la obtención de la imagen RBR, se llevó
a cabo un trabajo de campo para analizar la
correspondencia entre los resultados de las cla-
sificaciones de ambas fechas post-incendio y la
verdad-terreno.
Durante el periodo estival de 2017 se realizaron
las campañas de observación en campo en la zona
afectada por el incendio. El monitoreo de la ve-
getación quemada fue difícil de abordar mediante
mediciones en terreno en esta etapa, debido a la gran
magnitud del área incendiada. Se seleccionaron un
total de 56 parcelas de muestreo intentando recoger
toda la variabilidad de la zona. Se tuvieron en con-
sideración determinados rangos de NDVI previo
para controlar la cobertura y densidad de la vege-
tación, la cartografía de severidad post-incendio
y la cartografía de cobertura vegetal pre-incendio
SIOSE (Sistema de Información de Ocupación del
Suelo de España o SIPNA) (Figura 3).
El tamaño y ubicación de la parcela se tomó
con relación a la accesibilidad y homogeneidad
presentes en el paisaje siniestrado estableciendo,
como principio de muestreo, la autocorrelación
espacial donde se visualiza que los valores de los
píxeles vecinos son similares. Figura 3. Ocupación del suelo en el perímetro incendiado
(SIOSE, 2014). Localización de los puntos de muestreo en
En este trabajo se propuso como método de campo campo. Se muestra detalle de la parcela 271 sobre imagen
para evaluar la gravedad del incendio el Composit Pléiades del 29/06/2017 y cartografía de severidad de la
Burn Index (CBI) (Key y Benson, 2005), ya que zona con Sentinel-2 del 01/07/2017.
proporciona un índice de severidad semicuanti-
tativo que facilita la validación estadística de las
estimaciones derivadas de los datos cuantitativos 2.3.2. Validación y ajustes de los niveles de
de sensores remotos. severidad preliminar

Se basa en la evaluación de diferentes variables La verificación de los resultados se realizó compa-

asociadas con efectos del fuego en diferentes
estratos del ámbito afectado: sustrato (material
tendido en el suelo); hierbas, arbustos cortos y
árboles pequeños (<1 m de altura); arbustos altos
y árboles jóvenes (<5 m de alto); árboles interme-
dios (5-20 m de altura); y árboles grandes (>20 m
de altura). El CBI final para cada parcela se estimó
tras la inspección visual como promedio de los es-
tratos presentes en esa parcela. La escala propuesta
de CBI va de 0 (sin daño) a 4 (máximo daño),
considerando: A, Severidad nula: no quemado; B,
Baja severidad: predominio de vegetación y suelo
en áreas no quemadas; C, Niveles medios de se-
veridad: aparición de vegetación quemada, suelo
y presencia de carbón (se evalúa la proporción de
rando los resultados de clasificación para el índice
RBR (para ambas fechas post-incendio) con los
valores de severidad obtenidos en campo para las
56 parcelas. El análisis estadístico de esos pares de
observaciones (realidad-resultado) permitió gene-
rar la matriz de confusión y calcular la fiabilidad
global, la fiabilidad de usuario y del productor e
índice Kappa para ambas fechas post-incendio. El
índice Kappa mide el nivel de acuerdo entre la cla-
sificación realizada y la verdad-terreno tomando
valores entre -1 y 1, correspondiendo el máximo
acuerdo con valores cercanos a 1 y un grado de
acuerdo menor al que se obtendría puramente al
azar para valores menores o iguales a 0 (Fleiss,
Cohen y Everitt, 1969).

84 REVISTA DE TELEDETECCIÓN (2020) 57, 79-94

Cartografía de la afección y recuperación vegetal del incendio de Las Peñuelas en Moguer (Huelva) con imágenes
satelitales. Año 2017

2.4. Estimación de la severidad de
segundo orden

Tras la primera evaluación de la severidad del

fuego, encaminada a localizar los daños de primer
orden vinculados al impacto inmediato sobre las
condiciones preexistentes, se llevó a cabo una
evaluación de segundo orden con el objetivo de
observar efectos de primer orden no visibles justo
después del fuego, como la mortalidad de la ve-
getación o la regeneración vegetal si la hubiera.
El intervalo de tiempo para la medición de la
severidad del fuego es relativamente corto, y se
diferencian dos evaluaciones, una evaluación
inicial, en la que se clasifican los niveles de carbo-
nización (Key, 2006) y la evaluación de segundo
orden, que no se aconseja antes de la primera esta-
ción de crecimiento de la vegetación.
Para el análisis de la severidad de segundo or-
den se utilizó la información de las imágenes
Sentinel-2 nivel 1C pre-incendio (01/06/2017) y
post-incendio (26/07/2018), corregidas atmos-
féricamente por el método DOS-Dark Object
Subtraction, ya mencionado anteriormente. Se
calculó la ratio relativizada RBR (Relativized Figura 4. Cartografía de severidad a partir del RBR de la
Burn Ratio), dividiendo el dNBR por un ajuste del imagen Sentinel-2 del 26/07/2018.
NBR pre-incendio (Parks et al., 2014) como así se
indica en la evaluación inicial, dando continuidad
temporal al análisis. En la estimación de la severi- sistema de enfoque automático con detección de
dad de segundo orden, por tanto, se aplicaron los contraste y sensibilidad ISO de 100 a 12 800.
niveles de severidad de primer orden del incendio
Se parte de una red de 124 parcelas de muestreo
ya definidos en la primera fase (Figura 4).
bien distribuida y con una representación más am-
Además, se adquirió una imagen Pléiades plia que la utilizada en la fase inicial. Se trataba de
(18/07/2018), con la que se apoyaría el análisis de puntos de muestreo elegidos sobre el mapa de la
la serie Sentinel. zona afectada sobre el que se superpuso una malla
poligonal, de manera que se obtuvieran los puntos
2.4.1. Evaluación en campo potenciales para la toma de datos. La elección
de estos puntos de muestreo se realizó teniendo
Para realizar validación y control de los resultados,
presente criterios de accesibilidad y representati-
se decidió usar fotografías aéreas cenitales desde
vidad. Se trató de un muestreo dirigido, sin valor
UAV (Unmanned Aerial Vehicle). La validez del
probabilístico, pero con una mayor eficiencia que
uso de fotografías aéreas como fuente de infor-
el sistemático cuando el tiempo disponible para
mación alternativa a la metodología clásica de
el trabajo es escaso. Así, para la ubicación de las
observación directa de los niveles de daños, como
parcelas a muestrear, se tuvieron en cuenta los
por ejemplo el CBI (Key y Benson, 2006), está am-
siguientes factores: el número de parcelas (1 por
pliamente documentada (Stehman y Czaplewski,
cada 100 ha) distribuidas atendiendo a grado de
1998; Cansler y McKenzie, 2012; Quintano et al.,
afectación de las distintas unidades ambientales;
2013). Estas fotografías se tomaron con una cá-
y localizadas con apoyo del inventario de vegeta-
mara compacta Sony DSC-HX60, con un sensor
ción (Mapa de Vegetación de Andalucía).
CMOS Exmor R de 20,4 megapíxeles, provista
de una lente G de Sony con zoom óptico de 30×,

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 85

 Vales et al.
La fotografía de cada parcela se realizó a una al-
tura aproximada de 120 m para cubrir totalmente
el área de la misma con 20 m de radio y con una
orientación de captura al Norte. Mediante esta
orientación y los datos de posicionamiento GPS
se realizó un proceso de georreferenciación apro-
ximada de cada foto al Norte. Se utilizó un sensor
RGB ya que por limitaciones de disponibilidad
de medios técnicos no fue posible el uso de un
sensor multiespectral, el cual habría sido más fácil
de relacionar con la información multiespectral
de Sentinel. La fotointerpretación se realizó por
un técnico especialista que evaluó la severidad
general en el punto, en función del grado de afec-
ción del estrato con mayor desarrollo (Figura 5),
siguiendo las recomendaciones generales que dan
Key y Benson (2006) para el caso del CBI.
Figura 5. Localización de los puntos de muestreo sobre
imagen Pléiades del 18/07/2018. Se muestra detalle de la
parcela 112 sobre fotografía aérea cenital desde UAV del
09/10/2018 y cartografía de severidad de la zona con Sen-
tinel-2 del 26/07/2018.
La campaña de observación con UAV no pudo
realizarse simultáneamente a la captura de la ima-
gen Sentinel utilizada para la determinación de los
niveles de severidad de segundo orden, se realizó
86 REVISTA DE TELEDETECCIÓN (2020) 57, 79-94
unos meses después (09/10/2018- 05/02/2019).
Lo adecuado hubiera sido llevar a cabo las cap-
turas en fechas cercanas, no obstante, la principal
característica de la vegetación observada en este
intervalo de tiempo fue el agostamiento del estrato
herbáceo mantenido desde el verano, permitiendo
la diferenciación de la vegetación del estrato ar-
bóreo y arbustivo, fundamental para la adecuada
evaluación de la dinámica de la cubierta vegetal
en términos de cobertura.
2.4.2. Validación y ajustes de los niveles de
severidad de segundo orden
A cada parcela de muestreo se le asignó la clase
de severidad observada en las fotografías aéreas
y el valor que le correspondía del índice RBR. El
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.
2.5. Estudio de regeneración vegetal
Para la evaluación del grado de recuperación o
degradación del área incendiada se lleva a cabo un
análisis multitemporal definido por un escenario
a corto plazo, justo un año después de producirse
el incendio.
Como datos de análisis se utilizaron las imágenes
Sentinel-2 de 01/07/2017 y 26/07/2018 (post-
incendio) y el apoyo de una imagen Pléiades
del 18/07/2018, que facilitó la interpretación del
análisis.
El grado de regeneración en la zona afectada por
el incendio fue evaluado analizando el índice
de vegetación NDVI (Normalized Difference
Vegetation Index) de las imágenes Sentinel-2. A
partir de los índices de verdor (NDVI) se genera
una imagen de diferencias para conocer de manera
sintética la variabilidad espacial de la intensidad y
sentido de la recuperación vegetal. La idoneidad
del NDVI para este tipo de estudio se debe a la res-
puesta general del índice a la cantidad de biomasa
verde presente en la zona, independientemente de
las especies vegetales (Blackburh y Milton 1995;
Gamon et al. 1995). La respuesta del NDVI se sa-
tura cuando la vegetación alcanza el cien por cien
Cartografía de la afección y recuperación vegetal del incendio de Las Peñuelas en Moguer (Huelva) con imágenes
satelitales. Año 2017

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.

Clases Umbrales (valor píxel) Denominación

1 dNDVI <-0,06 pérdida elevada
2 -0,06 < dNDVI < -0,01 pérdida moderada
3 -0,01 < dNDVI < 0,02 pérdida baja
4 0,02 < dNDVI < 0,09 sin cambios
5 0,09 < dNDVI < 0,17 recuperación baja
6 0,17 < dNDVI < 0,23 recuperación moderada
7 dNDVI > 0,23 recuperación elevada

2.5.1. Validación de los niveles de recuperación

y degradación vegetal
Para la validación de los resultados preliminares
se contó con la aportación de técnicos y auxiliares
Figura 6. Cartografía de regeneración vegetal sobre ima-
gen Sentinel-2 del 24/10/2019. Se muestra detalle de la par-
cela 92 y 113 a partir de fotografía in-situ tomada durante la
campaña de campo de 2019.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 87

 Vales et al.
información recabada por los técnicos se recogió
el grado de regeneración general en cada punto
observado y material fotográfico in-situ con orien-
tación norte-sureste-oeste de cada parcela.
Los datos obtenidos en campo permitieron evaluar
la calidad de la clasificación realizada mediante
técnicas de teledetección de los niveles de rege-
neración vegetal, a partir de los valores obtenidos
del cálculo de dNDVI de las imágenes Sentinel-2
de las fechas 01/07/2017 y 24/10/2019, imagen,
esta última, cercana a la toma de información en
campo (Figura 6).
Se llevó a cabo un análisis estadístico de los
pares de nivel de regeneración observado en cam-
po – valor del índice dNDVI. La precisión de la
clasificación desarrollada se obtuvo a través de
una matriz de confusión que sirvió para estimar el
grado de acuerdo, calculando la fiabilidad global,
la fiabilidad de usuario y del productor e índice
Kappa.
3. Resultados
Respecto a la evaluación de la severidad de primer
orden, la fiabilidad de las clasificaciones varió en
función de las fechas post-incendio y el número de
parcelas que intervinieron en cada resultado.
Para la fecha 1/07/2017 (se visitaron 24 parcelas)
(Tabla 5) se consiguió una fiabilidad global del
61,69%, y un estadístico kappa de 0,46 en la clasi-
ficación de severidad a partir del RBR. Se observa
la máxima exactitud en las clases 4 y 5, que ocu-
pan en torno al 77% de la superficie incendiada.
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).
88 REVISTA DE TELEDETECCIÓN (2020) 57, 79-94
La clase de severidad 1 no interviene debido a que
no tiene representación, y la clase 2 y 3 muestran
el menor acierto y corresponden con clases con
poca representación.
Para la fecha 20/08/2017 (se visitaron 32 parce-
las) (Tabla 6), se consiguió una fiabilidad global
del 86,39% y un estadístico kappa de 0,82 en la
clasificación de severidad a partir del RBR. La
segunda clasificación muestra un porcentaje de
acierto muy elevado en las clases 3, 4 y 5, siendo
la clase 1 y 2 las de menor acierto, también destaca
una menor representación.
En cuanto a los resultados globales de ambas
clasificaciones se observa que las clases de se-
veridad 1 y 2 muestran una alta confusión con la
clase posterior, lo que supone una subestimación
de la severidad, coincidente con zonas donde la
cantidad de biomasa consumida mostraba una
distribución dispersa. En este caso el grado de
mortalidad inducida por el fuego no reflejaba la
realidad sobre el terreno, impidiendo por tanto la
cuantificación de severidad real, a pesar de que se
trataba de zonas donde la vegetación se había visto
afectada.
Estas zonas poco vegetadas, donde el modelo no
expresa exactamente el grado de afectación de
la vegetación, se han identificado utilizando el
NDVI derivado de la imagen Sentinel de fecha
01/06/2017, encuadrándose las mismas mediante
asignación visual en el nivel de afectación mode-
rado alto. Así, el porcentaje de superficie afectada
por niveles de severidad causados por el fuego se
muestra a continuación (Tabla 7).
Cartografía de la afección y recuperación vegetal del incendio de Las Peñuelas en Moguer (Huelva) con imágenes
satelitales. Año 2017

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.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 89

 Vales et al.

antiguas, acompañados de diferentes especies de muestreo por falta de información recogida en el

matorral (camarina, sabina, lentisco). El efecto muestreo de campo correspondiente en su mayoría
del fuego sobre esta especie fue devastador. El con zonas de pérdida elevada y moderada.
pino piñonero no sobrevive al fuego, y sus semi-
En cuanto a la fiabilidad del ajuste, los menores
llas pierden la capacidad de germinar sometidas a
aciertos se observan en la clase 7 (recuperación
altas temperaturas, aunque no se quemen, por lo
alta) que muestra confusión con la clase anterior.
que no tienen capacidad natural de regeneración.
No se pudo constatar el ajuste en la clase inferior
La superficie afectada por niveles de severidad correspondiente a pérdida alta, debido a la impo-
causados por el fuego se muestra en la Tabla 9. sibilidad de visitar las parcelas de campo en esas
zonas. Atendiendo a la matriz del ajuste (Tabla
En cuanto a la evaluación de la regeneración ve-
10) se ha conseguido una precisión general del
getal a partir de la dNDVI, el resultado fue una
98,08%, con una concordancia de 0,97.
cartografía de los niveles de recuperación o pér-
dida del vigor de la vegetación dos años después
del evento. Los cambios oscilaron entre aquella 4. Conclusión
vegetación que mostraba un retroceso en el vigor
Concluir que la metodología propuesta en este
vegetativo, situada en la zona de dunas litorales
trabajo, basada en la combinación de los trabajos
que englobaba los bosquetes de enebros y sabinas
de campo y las imágenes de satélite, supone una
costeros, así como zonas de dunas con bosque de
primera aproximación al estudio de la evolución
pinos maduros donde el efecto del fuego fue de-
del estado de la vegetación después de un incendio
vastador, con valores de dNDVI inferiores a 0,02,
desde una perspectiva instrumental que facilite
y vegetación vigorosa en zonas de matorrales es-
su interpretación y seguimiento para la toma de
clerófilos que mostraba recuperación, con valores
decisiones.
de dNDVI superiores a 0,09.
Los índices RBR y dNBR presentan resultados re-
En la gráfica que sigue (Figura 8) se muestra la
lativamente fiables para la evaluación espacial de
distribución de los puntos de muestreo en fun-
la severidad del incendio de las Peñuelas y para la
ción del dNDVI y coloreados según el nivel de
valoración de la evolución de los daños ocasiona-
regeneración observado en campo. Las líneas de
dos por el fuego. No obstante, dicha fiabilidad pasa
corte muestran los umbrales establecidos en la
inevitablemente por un reconocimiento del terreno
cartografía de regeneración. Se han representado
y conocimiento de las respuestas al fuego de los
108 puntos, en 2 de ellos el valor de regenera-
ecosistemas, que permita una correcta definición
ción observada difiere del valor estimado con la
previa de las clases de severidad para mejorar
imagen. Se han excluido del estudio 16 puntos de
la fase de entrenamiento dentro del proceso de

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).

Tabla 9. Superficie afectada por niveles de severidad.

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

90 REVISTA DE TELEDETECCIÓN (2020) 57, 79-94

Cartografía de la afección y recuperación vegetal del incendio de Las Peñuelas en Moguer (Huelva) con imágenes
satelitales. Año 2017

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
la zona a fin de implementar un protocolo que
facilite el trabajo de los gestores, incluyendo la
evaluación a largo plazo de la severidad mediante
técnicas de teledetección que permitan calcular
vulnerabilidad y resiliencia de los ecosistemas
(Malak et al., 2015, Doblas-Miranda et al., 2015).
Desde el punto de vista de la administración
responsable de la gestión y restauración de los
ecosistemas forestales, los resultados obtenidos
han proporcionado una herramienta útil para la
toma de decisiones urgentes, seguimiento de la
evolución del ámbito afectado y la definición del
Plan de Restauración del entorno para la prioriza-
ción de las actuaciones a acometer.
En la ejecución de este trabajo se han combinado
diversas técnicas para la captura de información
geográfica, en función de las necesidades de pre-
cisión y resolución requeridas para la ejecución
de las distintas fases. El uso de imágenes del
satélite Sentinel-2 ha supuesto una importante
contribución y avance en el ámbito del análisis
de los incendios forestales, al proporcionar datos
de libre distribución, así como por el significati-
vo incremento en resolución espacial, espectral
y temporal, proporcionando una mejor calidad
de análisis debido a la mejora de la resolución
espacial, en comparación a la resolución espacial
de otros satélites. La mejor resolución espectral
y radiométrica también han supuesto un gran

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 91

 Vales et al.
avance reduciendo las posibles confusiones entre
categorías en el momento de la clasificación, y
la resolución temporal ha proporcionado mayor
número de imágenes en un plazo de tiempo más
corto (5 días considerando los satélites Sentinel-
2A y 2B), lo que posibilita obtener información
más próxima en el tiempo a la monitorización
ambiental. El trabajo de campo realizado ha
constatado la importancia de poder trabajar con
imágenes lo más cercanas posibles en el tiempo a
la alteración producida.
Por otro lado, el uso de imágenes UAV ha per-
mitido realizar un seguimiento a la carta de los
efectos del incendio, realizando vuelos post-
incendio de parcelas de muestreo seleccionadas
en zonas que se vieron afectadas por el mismo,
por tanto, su uso complementa notablemente
la información sobre las zonas quemadas y su
regeneración.
Por último, el uso de imágenes Pléiades ha per-
mitido gracias a las características óptimas de
resolución espacial (0,5 m), una buena discrimi-
nación de coberturas para la delimitación del área
afectada por el incendio, además al contar con
una banda en el infrarrojo cercano ha permitido
realizar combinaciones de bandas que han sido
útiles para la verificación de resultados en distin-
tas fases del estudio.
Agradecimientos
En el marco de los trabajos del Grupo de Trabajo
Científico-Técnico encargado de la restauración
del incendio de “Las Peñuelas” 2017, este artícu-
lo ha sido posible gracias a la colaboración del
Espacio Natural de Doñana, por su contribución
en la recogida de datos en las distintas campañas
de campo y sus aportaciones técnicas en relación
con el conocimiento exhaustivo del ámbito afec-
tado. Por otro lado, agradecemos a AMAYA y La
Caixa la aportación de información procedente
de la campaña de campo con dron. También que-
remos agradecer a AIRBUS Defence and Space
su colaboración en la optimización de procesos
operativos y administrativos para la adquisición
de imágenes Pléiades por parte de Rediam.
92 REVISTA DE TELEDETECCIÓN (2020) 57, 79-94
Referencias
Bastarrika, A., Chuvieco, E., Martín, M.P. 2011.
Mapping burned areas from Landsat TM/ETM+
data with a two-phase algorithm: balancing
omission and commission errors. Remote Sens.
Environ., 115, 1003-1012. https://doi.org/10.1016/j.
rse.2010.12.005
Blackburn, G.A., Milton, E.J. 1995. Seasonal variations
in the spectral reflectance of deciduous tree canopies.
International Journal of Remote Sensing, 16, 709-
720. https://doi.org/10.1080/01431169508954435
Cansler, C.A., McKenzie, D. 2012. How Robust Are
Burn Severity Indices When Applied in a New
Region? Evaluation of Alternate Field-Based and
Remote-Sensing Methods. Remote Sensing, 4(12),
456-483. https://doi.org/10.3390/rs4020456
Carpintero, I., Montoya, G., Granado, L., Méndez, E.,
Pino, I., Prieto, R., Vales, J.J., Salas, F.J.,Venegas,
J., Cáceres, F., Moreira, J.M., Giménez de Azcárate,
F. 2017. Cartografía de la afección del incendio en
Huesa, Quesada y Cabra de Santo Cristo (Jaén) con
imágenes satelitales. Nuevas plataformas y sensores
aplicados a la gestión del Agua, la Agricultura y el
Medio Ambiente. XVII Congreso de la Asociación
Española de Teledetección, 181-184.
Chavez, P.S. Jr. 1996. Image-based atmospheric
corrections—revisited and revised. Photogrammetric
Engineering and Remote Sensing, 62(9):1025-1036.
Chuvieco, E., Riaño, D., Danson, F.M., Martin,
P. 2006. Use of radiactive tranfer model to
simulate the postfire spectral response to burn
severity. Journal of Geophysical Research, 111.
https://doi.org/10.1029/2005JG000143
Consejería de Agricultura, Ganadería, Pesca y Desarrollo
Sostenible. Informe ejecutivo del incendio de Las
Peñuelas Moguer (Huelva).
De Santis, A., Chuvieco, E. 2007. Burn severity
estimation from remotely sensed data: Performance
of simulation versus empirical models. Remote
Sensing of Environment, 108(4), 422-435.
https://doi.org/10.1016/j.rse.2006.11.022
Dedios-Mimbela N.J. 2006. Análisis de diferentes
métodos de clasificación de una imagen de satélite
para caracterizar la superficie afectada por incendio
forestal en ecosistemas de bosque. Servicio Nacional
de Meteorología e Hidrología SENAMHI.
Díaz-Delgado, R., Pons, X. 2003. Análisis comparativo
de diferentes cartografías de incendios forestales.
Revista de Teledetección, 20, 11-15.
Cartografía de la afección y recuperación vegetal del incendio de Las Peñuelas en Moguer (Huelva) con imágenes
satelitales. Año 2017
Doblas-Miranda, E., Martínez-Vilalta, J., Lloret, F.,
Álvarez, A., Ávila, A., Bonet, F.J., Brotons, L.,
Castro, J., Curiel Yuste, J., Díaz, M., Ferrandis, P.,
García-Hurtado, E., Iriondo, J.M., Keenan, T.F.,
Latron, J., Llusià, J., Loepfe, L., Mayol, M., Moré,
G., Moya, D., Peñuelas, J., Pons, X., Poyatos, R.,
Sardans, J., Sus, O., Vallejo, V.R., Vayreda, J.,
Retana, J. 2015. Reassessing global change research
priorities in mediterranean terrestrial ecosystems:
how far have we come and where do we go from
here? Global Ecology and Biogeography, 24(1), 25-
43. https://doi.org/10.1111/geb.12224
Escuin, S., Navarro, R., Fernández, P. 2008. Fire
severity assessment by using NBR (Normalized
Burn Ratio) and NDVI (Normalized Difference
Vegetation Index) derived from LANDSAT
TM/ETM images, International Journal of
Remote Sensing, 29(4), 1053-1073. https://doi.
org/10.1080/01431160701281072
Fleiss, J.L., Cohen, J., Everitt, B.S. 1969. Large
sample standard errors of kappa and wighted
kappa. Psychologycal Bulletin, 72, 323-327.
https://doi.org/10.1037/h0028106
Gamon, J.A., Field, C.B., Goulden, M.L., Griffin,
K.L., Hartley, A.E., Joel, G., Peñuelas, J., Valentini,
R. 1995. Relationships between NDVI, canopy,
structure and photosynthesis in three Californian
vegetation types. Ecological Applications, 5, 28-41.
https://doi.org/10.2307/1942049
García-Martínez, E., Pérez-Cabello, F. 2015. Análisis
de la regeneración vegetal mediante imágenes
Landsat-8 y el producto MCD15A2 de MODIS: el
caso del incendio de O Pindo (Galicia). En Análisis
espacial y representación geográfica: innovación y
aplicación. Universidad de Zaragoza - AGE (2015):
621-630.
Granado, L., Pino, I., Vales, J.J., Prieto, R., Méndez, E.,
Rodríguez, M., Giménez de Azcárate, F., Ortega, E.,
Moreira, J.M. 2019. Cartografía de la recuperación
vegetal del incendio de Las Peñuelas en Moguer
(Huelva) con imágenes satelitales. En Hacia una
visión del cambio climático. XVIII Congreso de la
Asociación Española de Teledetección. Valladolid,
España, 24-27 septiembre. pp. 155-158. ISBN: 978-
84-1320-038-5.
Junta de Andalucía. Boletin Oficial de la Junta
de Andalucía. Ley 5/1999, de 29 de junio, de
Prevención y Lucha contra los Incendios Forestales.
https://juntadeandalucia.es/boja/1999/82/1
Justice, C.O., Townshend, J.R.G., Holben, B.N.,
Tucker, E.C. 1985. Analysis of the phenology of
global vegetation using meteorological satellite data.
International Journal of Remote Sensing, 6, 1271-
1318. https://doi.org/10.1080/01431168508948281
Key, C.H., Benson, N. 2005. Landscape assessment:
ground measure of severity, the Composite
Burn Index; and remote sensing of severity, the
Normalized Burn Ratio. Fort Collins, CO: U.S.
Department of Agriculture, Forest Service, Rocky
Mountain Research Station.
Key, C.H. 2006. Ecological and sampling constraints on
defining landscape fire severity. Fire Ecology, 2, 34-
59. https://doi.org/10.4996/fireecology.0202034
Malak, D.A., Pausas, J.G., Pardo-Pascual, J.E.,
Ruiz, L.A. 2015. Fire Recurrence and the
Dynamics of the Enhanced Vegetation Index in a
Mediterranean Ecosystem. International Journal
of Applied Geospatial Research, 6(2), 18-35.
https://doi.org/10.4018/ijagr.2015040102
Manzo-Delgado, L., López-García, J. 2013. Detección
de áreas quemadas en el sureste de México,
utilizando índices pre y post-incendio NBR y BAI,
derivados de compuestos MODIS”, GeoFocus,
13(2), 66-83. ISSN: 1578- 5157.
Miller, J.D., Yool, S.R. 2002. Mapping forest post-fire
canopy consumption in several overstory types
using multi-temporal Landsat TM and ETM data.
Remote Sensing of Envairoment, 82, 481-496.
https://doi.org/10.1016/S0034-4257(02)00071-8
Montorio, R., Pérez-Cabello, F., García-Martín,
A., Vlassova, L., de la Riva-Fernández, J. 2014.
La severidad del fuego: Revisión de conceptos,
métodos y efectos ambientales. En: José Arnáez,
Penélope González-Sampériz, Teodoro Lasanta y
Blas L. Valero Garcés (eds.). Geoecología, cambio
ambiental y paisaje: homenaje al profesor José
María García Ruiz. Logroño: Instituto Pirenaico de
Ecología (CSIC): Universidad de La Rioja, España.
Parks, S.A., Dillon, G.K., Miller, C. 2014. A new
metric for Quantifying burn severity: The relativized
burn ratio. Remote Sensing, 6, 1827-1844.
https://doi.org/10.3390/rs6031827
Pereira, J.M.C., Sa, A.C.L., Sousa, A.M.O., Silva,
J.M.N., Santos, T.N., Carreiras, J.M.B. 1999.
Spectral characterisation and discrimination of
burnt areas. In: E. Chuvieco (Ed.). Remote Sensing
of Large Wildfires in the European Mediterranean
Basin. Springer-Verlag, Berlin. 123-138.
https://doi.org/10.1007/978-3-642-60164-4_7
Plan de restauración de los montes públicos afectados
por el incendio forestal de Las Peñuelas 2017:
sector occidental del Parque Natural de Doñana,
Coto Mazagón y ordenados de Moguer. Consejería
de Agricultura, Ganadería, Pesca y Desarrollo
Sostenible. Junta de Andalucía. Septiembre 2019.
ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 93
 Vales et al.

Quintano, C., Fernández-Manso, A., Roberts, D.A.

2013. Multiple Endmember Spectral Mixture
Analysis (MESMA) to map burn severity levels
from Landsat images in Mediterranean countries.
Remote Sensing of Environment, 136, 76-88.
https://doi.org/10.1016/j.rse.2013.04.017
Roughgarden, J.S.W., Running, S.W., Matson, P.A. 1991.
What does remote sensing do for ecology? Ecology,
72, 1918-1922. https://doi.org/10.2307/1941546
Stehman, S. V, Czaplewski, R.L. 1998. Design
and Analysis for Thematic Map Accuracy
Assessment - an application of satellite imagery.
Remote Sensing of Environment, 64, 331-344.
https://doi.org/10.1016/S0034-4257(98)00010-8

94 REVISTA DE TELEDETECCIÓN (2020) 57, 79-94

 REVISTA DE TELEDETECCIÓN
Asociación Española de Teledetección
(2020) 57, 95-99
ISSN 1133-0953
EISSN 1988-8740
https://doi.org/10.4995/raet.2020.14551

TESIS DOCTORAL

Processing and analysis of airborne full-waveform laser

scanning data for the characterization of forest structure
and fuel properties
Autor: Pablo Crespo-Peremarch
Directores: Dr. Luis Ángel Ruiz Fernández
Lugar: Universitat Politècnica de València
Fecha: 28/09/2020
Calificación: Sobresaliente Cum Laude

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).

96 REVISTA DE TELEDETECCIÓN (2020) 57, 95-99

Processing and analysis of airborne full-waveform laser scanning data for the characterization of forest structure and
fuel properties

Nevertheless, this influence may be considerably
reduced by using the radiometric correction, but
not completely removed.
Detection of forest horizontal and vertical structure
by laser scanning can be limited by signal occlusion
caused by vegetation. The amount of signal occlu-
sion may be reduced using several strategies such
as increasing the number of flight stripes for ALS,
combining data from multiple sensors, registering
the plot with multiple scans for terrestrial laser
scanning (TLS), or compute the Plant Area Density
(PAD) also for TLS (Pimont et al., 2018). Despite
using these strategies, signal occlusion is hardly
ever completely removed. Hence, it is essential to
analyze signal occlusion to better understand the
limitations of the different laser scanning sensors in
the detection of vertical forest structure. In the four-
th specific objective we characterized the signal
occlusion along the vertical forest structure using
different laser scanning sensors: ALSD, ALSFW and
TLS. Results showed that the vertical profile ex-
tracted was dependent on signal occlusion (Figure
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.

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 97

 Crespo-Peremarch
Table 1. Estimate results at plot-level for understory vege-
tation attributes mean and maximum height (Hmean and Hmax,
respectively), cover (C), and volume (V).
Attributes R2 RMSE nRMSE (%) CV (%)
Hmean 0.949 0.08 m 7 11
Hmax 0.758 0.52 m 12 15
C 0.871 0.09 11 12
V 0.951 56.49 m3 7 9 parameters, such as the optimal minimum pulse
different vertical strata by using the rate of pulse re-
duction, which is a good indicator of the reliability
in the detection of vertical forest structure (Crespo-
Peremarch et al., 2020).
Among the different vertical strata, understory
vegetation is critical for wildlife habitat, as well as
a key driver of fire behavior through ladder fuels,
which drive crown fires (Molina et al., 2011). Its
detection can be challenging from ALS sensors due
to signal occlusion caused by overstory (Anderson
et al., 2016). In the fifth specific objective we
determined how understory vegetation density
classes can be detected and further determined by
ALS sensors (i.e., ALSD and ALSFW) in a boreal
and Mediterranean forest. Results showed the ca-
pabilities of both ALS sensors to detect understory
vegetation. Nevertheless, ALSFW showed a higher
accuracy than ALSD, demonstrating its potential to
detect and determine understory vegetation den-
sity classes in a boreal and Mediterranean forest
by using the Gini index (see Table 1) (Crespo-
Peremarch et al., 2020).
The characterization of understory vegetation by
means of ALS sensors is uncertain due to signal
occlusion. In the sixth and last specific objective
the characterization of understory vegetation in
a Mediterranean forest by using the new ALSFW
metrics proposed and implemented in the software
tool WoLFeX was evaluated. Results showed that
maximum and mean height, cover and volume
of understory vegetation can be estimated very
accurately at subplot- and plot-level using ALSFW
data (Table 1 and Figure 2) (Crespo-Peremarch
et al., 2018b). In addition, and contrary to ALSD,
the use of the proposed metrics makes that ALS
data do not require a height filter to only keep data
corresponding to understory vegetation.
The use of ALSD data is adequate for most of
the current ALS applications. However, it pre-
sents some limitations in the characterization of
98 REVISTA DE TELEDETECCIÓN (2020) 57, 95-99
intermediate and lower strata, where ALSFW can
be used instead. Therefore, ALSFW has demonstra-
ted to be a powerful tool to characterize the entire
vertical forest structure, but especially understory
vegetation, where ALS sensors have been tradi-
tionally limited. Nevertheless, the use of ALSFW
data requires the identification of the appropriate
density and voxel parameters, as well as the
application of the radiometric correction prior
to undertake any data processing. Additionally,
there are some general limitations common for
ALS sensors, such as the signal occlusion caused
by overstory, especially in dense tropical forests.
The results lead the way for the estimation of
understory vegetation variables from ALSFW data
at voxel level, to be used as input in the new 3D
physical fire behavior models.
Acknowledgements
The author of this PhD thesis is thankful for the fi-
nancial support provided by the Spanish Ministerio
de Economía y Competitividad and FEDER,
in the framework of the projects ForeStructure
CGL2013-46387-C2-1-R (2013-2016) and
FIRMACARTO CGL2016-80705-R (2016-2019).
In addition, this PhD thesis was partly developed
in the Integrated Remote Sensing Studio (IRSS) of
University of British Columbia (UBC) (Canada)
and in the Centre d’Applications et de Recherche
en Télédétection of Université de Sherbrooke
(Canada) thanks to the Erasmus+ KA-107 mo-
bility grant and to the Canadian research project
Assessment of Wood Attributes using Remote
Sensing (AWARE) (NSERC CRDPJ-462973-14,
grantee N.C. Coops, UBC), respectively.
References
Anderson, K., Hancock, S., Disney, M., Gaston,
K.J. 2016. Is waveform worth it? A comparison
of LiDAR approaches for vegetation and
landscape characterization. Remo Sensing
in Ecology and Conservation, 2(1), 5-15.
https://doi.org/10.1002/rse2.8
Crespo-Peremarch, P., Ruiz, L.A., Balaguer-Beser,
A., Estornell, J. 2018a. Analyzing the role of
pulse density and voxelization parameters on full-
waveform LiDAR-derived metrics. ISPRS Journal
of Photogrammetry and Remote Sensing, 146, 453-
464. https://doi.org/10.1016/j.isprsjprs.2018.10.012
Processing and analysis of airborne full-waveform laser scanning data for the characterization of forest structure and
fuel properties

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

ASOCIACIÓN ESPAÑOLA DE TELEDETECCIÓN 99

Revista de la Asociación Española de Teledetección

Revista de

TELEDETECCIÓN | Nº 57 | DICIEMBRE 2020

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.

13 Comparison of OMI-DOAS total ozone column with ground-based measurements in Argentina

Orte, P.F., Luccini, E., Wolfram, E., Nollas, F., Pallotta, J., D’Elia, R., Carbajal, G., Mbatha,  N.,
Hlongwane, N.

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

http://polipapers.upv.es/index.php/raet