EL ÍNDICE NORMALIZADO DE VEGETACIÓN (NDVI) COMO

DESCRIPTOR DEL COMPORTAMIENTO DE LA VEGETACIÓN DE

ZONAS ECOLÓGICAMENTE HOMOGÉNEAS

Marcelo Gandini*, Ilda Entraigas#, Eduardo Usunoff# y Laura Moreno*

*
Facultad de Agronomía de Azul, C.C. 47 (7300) Azul, Bs. As., Argentina. mgandini@faa.unicen.edu.ar
#
Instituto de Hidrología de Llanuras, C.C. 44 (7300) Azul, Bs. As., Argentina. ilda@faa.unicen.edu.ar

RESUMEN

Mediante dos fuentes de datos independientes (una regionalización agroecológica y el

cálculo de NDVI a partir de imágenes NOAA-AVHRR de 1 km de resolución en una serie
temporal), se evalúan las diferencias en el crecimiento anual de las comunidades vegetales de
ecosistemas con distintas características agroecológicas.
Los datos de NDVI fueron analizados ajustando los mismos a curvas polinómicas y se
calcularon sus promedios sobre distintos tipos de suelos, usos de la tierra y para cada zona
agroecológica en un SIG, probando sus diferencias mediante tests de diferencia de medias,
resultando en diferencias significativas sólo en el caso de la subdivisión en regiones
agroecológicas. Un análisis de regresión múltiple indicó que las variables que definen las
regiones agroecológicas no explican por separado el comportamiento en NDVI, mientras que el
conjunto de las mismas, como integrantes de un modelo lineal de componentes principales, se
relaciona significativamente. Este hecho lleva a suponer que la subdivisión del espacio mediante
variables individuales, no puede ser usada como un elemento del paisaje que explique la
variación temporal de la cobertura vegetal de las comunidades que soportan, en ecosistemas bajo
explotación como el caso de la cuenca del arroyo del Azul, a la escala de percepción utilizada.
Estos resultados apoyan la hipótesis de que los agroecosistemas definidos regionalmente
funcionan mediante un conjunto de variables interdependientes, con propiedades emergentes.

SUMMARY

Differences in annual growth of vegetation communities belonging to different

agroecological regions were evaluated by means of two independent data sources
(agroecological regionalization, and NDVI estimations from NOAA-AVHRR images with 1-km
resolution).
Polynomial expressions fitted the NDVI data, and their averages were calculated for each
soil type, land use, and ecological zone by means of a GIS. Significant differences by mean
differences-test emerged only for the subdivision in agroecological regions. A multiple
regression analysis revealed that the agroecological regionalization variables couldn’t separately
explain the NDVI behavior, whereas a linear combination model (from principal component
analysis) does relate significantly. That would imply that the areal discretization from individual
variables should not be used as a landscape element valid for the analysis of vegetation temporal

1625
variations, at least in ecosystems heavily used such as that of the Azul river basin. These results
support the hypothesis that regional agroecosystems behave according to a group of independent
variables, generating thereby a whole set of properties of their own.
INTRODUCCIÓN

Desde principios de los 80, NOAA (National Oceanic and Atmospheric Administration
de EEUU) realizó cálculos de NDVI (Normalized Difference Vegetation Index) a partir de
imágenes de sus satélites AVHRR (Advanced Very High Resolution Radiometer). Este
instrumento mide la reflectancia de la superficie terrestre a diversas longitudes de onda. De la
misma manera, otros satélites que poseen bandas en el Rojo e Infrarrojo Cercano fueron usados
con el mismo objetivo (Lyon et al. 1998; Marsh et al. 1992; Qui et al. 1993)

Alrededor de los 700 nanometros las plantas muestran un fuerte pico de absorción
causado por los pigmentos fotosintéticos, hecho que contrasta con una fuerte reflexión de las
longitudes de onda del Infrarrojo Cercano. En contraste, los suelos desnudos se caracterizan por
un incremento suavemente monotónico a medida que aumenta la longitud de onda, y los cuerpos
de agua se comportan de manera inversa, con absorciones importantes en todas las longitudes de
onda (exceptuadas las longitudes correspondientes al Azul, esto es, entre 450-550 nm).

Teniendo en cuenta las características citadas, es posible definir un índice que estime la
“densidad de biomasa verde” o “densidad de clorofila” basándose en datos radiométricos.

Este índice, definido como la diferencia entre los canales de Infrarrojo Cercano y Rojo,
dividido por la suma de estos canales, se expresa de la siguiente manera:

NDVI = Irc-R / Irc+R

donde: NDVI: Índice Normalizado de Vegetación

Irc: Reflectancia de la superficie de la superficie de la tierra en el intervalo del espectro
electromagnético correspondiente a 725-1100 nm (Infrarrojo Cercano).
R: Reflectancia de la superficie de la superficie de la tierra en el intervalo del espectro
electromagnético correspondiente a 580-680 nm (Rojo).

Los valores de éste índice resultan entre –1 y 1, en relación directa con la cobertura
vegetal verde presente en cada píxel (Tucker, 1979; Tucker y Sellers, 1986).

Diversos autores han intentado transformar los valores de NDVI para ajustarlos a
condiciones locales de suelo con baja cobertura, inundados, etc. Pero se ha demostrado
experimentalmente que si los índices son escalados dentro del mismo rango, tienen
características espaciales y estadísticas similares, por lo que aportan la misma información para
la detección de cambios temporales (Lyon et al., 1998) por lo que se decidió utilizar el NDVI
como indicador de los cambios temporales por ser el de más amplia difusión en la literatura.

Varios intentos se han hecho para interpretar series de tiempo de NDVI con el objeto de
estimar productividad, índice de área foliar o absorción de CO2 de la atmósfera por parte de la
vegetación, basándose en el aumento de la cobertura vegetal, (Tucker y Sellers, 1986; Sellers et
al. 1992; Ludecke et al. 1996 ) o para clasificar por tipos de cobertura a escala regional (Tucker
et al., 1985, Derrien et al., 1992). El objetivo de este trabajo es el de tratar de describir el

1626
comportamiento anual de la cobertura vegetal en zonas ecológicamente homogéneas, de manera
similar a lo intentado por Tucker y Sellers(1986) y Derrien et al. (1992), pero usando dos fuentes
de datos independientes: por un lado una delimitación de ecosistemas regionales a escala de
cuenca hidrográfica (Gandini et al. 1997) y, por otro, una serie temporal de NDVI.

MATERIALES Y MÉTODOS

Se utilizaron imágenes tomadas por los satélites NOAA/AVHRR, representativas del

NDVI de intervalos de 10 días, almacenadas en el Servicio Geológico de USA, los que poseen
las siguientes características:

• Resolución Espacial: 1 km (nominal dependiendo del ángulo de vista del satélite),

remuestreadas a 1 km2.
• Resolución espectral: 5 canales (Rojo y cuatro Infrarrojos del IR cercano, medio y térmico).

Por su parte, las imágenes almacenadas en el USGS, poseen las siguientes propiedades
(Eidenshink y Faundeen, 1994):

• Aplicación de algoritmos de búsqueda de máximos entre imágenes de 10 días consecutivos

para la eliminación de la cobertura de nubes.
• Cálculo de NDVI a partir de los datos corregidos y almacenamiento en un canal separado.
• Proyección Goode Homolosine (Goode, 1925; Steinward, 1998).
• Corrección radiométrica y geométrica que soporta estudios multitemporales.

Tratamiento de los datos:

Para la selección de las imágenes, se tomó arbitrariamente la primera decena de días de

cada mes calendario. Las imágenes con el NDVI calculado fueron registradas y corregidas
geométricamente usando puntos de control conocidos en coordenadas de Gauss-Kruger e
ingresadas a un Sistema de Información Geográfica (SIG). La variación temporal del NDVI fue
analizada calculando los promedios del mismo, agrupando los datos en intervalos de dos
variables de alta carga individual (porcentaje de cobertura de suelos Argiudoles y Natracuoles)
usadas en Gandini et al. 1997 y para las zonas definidas en el mismo.

Las diferencias entre respuestas de NDVI de cada ecosistema fueron evaluadas mediante
su ajuste a curvas polinómicas (Derrien et al. 1992) y sus diferencias significativas para los pares
de medias (test de U de Mann-Whitney). Los componentes principales (F1, F2 y F3) producto
del análisis de regionalización (Gandini et al. 1997) fueron usados como variables
independientes en un análisis de regresión linear múltiple por pasos contra los valores de NDVI
mensuales.

RESULTADOS Y DISCUSIÓN

1627
 En las figuras 1a y 1b se observa la variación temporal del NDVI calculada agrupando los
datos según el porcentaje de suelos Argiudoles y Natracuoles. No existen diferencias
significativas en los valores del índice para la mayoría de los meses (Tabla 1).

a) Suelos Argiudoles
b)

b) suelos Natracuoles

Figura 1: Variación del NDVI agrupado según el porcentaje de suelos a)Argiudoles y b) Natracuoles
(porcentaje de cobertura areal). Las curvas continuas corresponden al ajuste de polinomios de grado 5 (coeficiente
significativo hasta grado 2).

1628
 Este hecho lleva a suponer que la subdivisión del espacio mediante las variables
individuales usadas en Gandini et al. (1997), no puede ser aplicada como un elemento del paisaje
que explique la variación temporal de la cobertura vegetal de las comunidades que soportan, a la
escala de percepción utilizada. Los promedios calculados son similares para estos suelos en
todos sus rangos de cobertura areal (p>0.05), lo que indicaría que existen otras variables
implicadas en la definición del NDVI y su variación anual, o que la combinación de variables de
alta carga en la definición de regiones agroecológicas puede jugar un papel importante.
En la figura 2 se observan las variaciones de NDVI promedio en función del tiempo y los
ajustes mediante curvas polinómicas de los mismos agrupadas según zonas agroecológicas.

Figura 2: Variación del NDVI en función del tiempo para zonas agroecológicas. Las curvas continuas
corresponden al ajuste de polinomios de grado 5 (coeficiente significativo hasta grado 2).

Con esta subdivisión del espacio, las áreas ecológicamente homogéneas tienen un
comportamiento diferencial entre sí (Tabla 1). La tendencia general es a aumentar desde el mes
de Junio, coincidiendo con el aumento de radiación solar en el hemisferio sur, con máximos en
los meses de Octubre y Febrero, correspondiendo al crecimiento de las especies primavero-
estivales y estivo-otoñales respectivamente.

Luego de una caída del NDVI en el mes de Marzo (mes de lluvias) debido a la presencia
de agua en superficie, se observa un aumento del índice en las zonas 3, 2 y 6, las que tienen un
uso principalmente ganadero. Esto lleva a suponer que luego del período de lluvias (Febrero-
Marzo) existe un rebrote de vegetación después del stress hídrico y de pastoreo del verano. La
caída abrupta entre los meses de Mayo y Junio se debería principalmente a la aparición de

1629
heladas, que provocan una disminución sustancial de la biomasa verde de especies
hemicriptófitas y al reposo invernal de las especies del pastizal, sumado al pastoreo continuo. La
zona 4 presenta un incremento en Abril, pero sensiblemente menor que el de las otras zonas, con
un máximo en el mes de Marzo. Esta zona posee un uso ganadero-agrícola (Gandini y Entraigas
1995), y su diferencia en comportamiento puede deberse a la respuesta de comunidades naturales
con predominancia de especies estivo-otoñales tardías. La zona 6 (la de mayor anegabilidad)
presenta los valores mínimos para la época de invierno, evidenciando la presencia de agua en
superficie que disminuye los valores del índice, y los valores máximos para las zonas ganaderas
en verano, relacionado con la alta superficie cubierta por bajos dulces. Estas son las únicas
comunidades naturales con alta cobertura verde durante el verano. Una interpretación similar
puede hacerse con la zona 3.

En la Tabla 1 se muestra el resultado del test de U de Mann-Whitney para pares de zonas

agroecológicas. Los resultados indican que en la mayor parte de meses las diferencias entre
zonas son significativas, salvo en el par Zona 2-Zona 3 y que la zona 7 (la de mayor uso
agrícola) es la que presenta las mayores diferencias con las demás zonas. Este hecho se debe
principalmente a las variaciones del NDVI propias de las labores de los cultivos (arado, siembra,
y momentos de cobertura máxima) tanto de explotaciones de cultivos de invierno como de
verano.

Zona 2 Zona 3 Zona 4 Zona 5 Zona 6 Zona 7

2 ****** 6-7-10-1-2-5 3-6 10-12-3 7-11-5 9-10-4
3 ********* 6-8 9-10-12 6-11-5 7
4 ******** 9-2-3-5 9-3 *sig
5 ******** *sig 10-11
6 ********* *sig
Tabla 1: Significación de las diferencias de medias usando test de U (Mann Whitney) para el NDVI agrupado según
zonas agroecológicas. Los números indican los meses (1-12) en que NO existieron diferencias significativas entre
los pares de zonas (p>0.05). (*sig: en todos los meses hubo diferencias significativas)

% 0-20 21-40 41-60 61-80 81-100

0-20 ** 10,12 7,12 6,7,8,9,12 6,7,8,9,12
21-40 ** NDS 6,7,8 6,7,8,9,12,1
41-60 ** 6,8 6,7,8,1
61-80 ** NDS
Tabla 2: Significación de las diferencias de medias usando test de U (Mann Whitney) para el NDVI Agrupado según
cobertura de suelos Argiudoles. Los números indican los meses (1-12) en que existieron diferencias significativas
entre los pares de zonas (p>0.05). (NDS: no hubo diferencias significativas en ningún mes analizado)

En la tabla 3 se presenta el resultado de regresiones múltiples realizadas entre los factores

de componentes usados para definir las zonas agroecológicas, la cobertura de suelos Argiudoles
y Natracuoles, como variables independientes y el NDVI.

JUN JUL AGO SET OCT NOV DIC ENE FEB MAR ABR MAY
C.R. .62 .46 .26 .2 .2 .00 .53 .69 .41 .00 .71 .31
Prob. <.05 <.05 <.05 <.05 <.05 >.05 <.05 <.05 <.05 >.05 <.05 <.05
VAR F3,F2 F2,F1 F1 F2 F2 F1,F2 F2 F2 F2 F2

1630
Tabla 3: Regresión múltiple por pasos entre cobertura de suelos, y componentes usados para la definición de zonas
agroecológicas versus NDVI mensual. Los meses se indican con las tres primeras letras. C.R: coeficiente de
regresión; Prob.: Probabilidad. VAR:Variable (variables usadas: F1, F2, F3: Ejes de componentes principales,
porcentaje de Argiudoles y porcentaje de Natracuoles).
Se observa que en ninguno de los meses analizados, la cobertura de suelos ingresa al
modelo de regresión, siendo el factor 2 el de mayor importancia en la definición del NDVI, y el
3 aparece solamente en el mes de junio.

Los resultados indican que el conjunto de variables consideradas en un modelo linear de

componentes principales se asocia fuertemente con el comportamiento del NDVI durante el
período analizado, no ocurriendo lo mismo con las variables individuales de mayor peso en la
definición de regiones, cuya variación no alcanza para explicar este comportamiento.

Los datos analizados soportan la idea que la variación anual del NDVI en el período
estudiado puede considerarse como una característica emergente de los agroecosistemas
regionales definidos, por no haberse encontrado una relación clara con las variables individuales
más importantes. La combinación de variables físicas y antrópicas y su interacción espacial,
puede estar jugando un rol decisivo en el comportamiento de la vegetación, teniendo distinto
peso en diferentes áreas de la región estudiada.

CONCLUSIÓN

El comportamiento del NDVI observado, apoya la validación de la subdivisión del

área estudiada en regiones agroecológicas homogéneas, al mostrar variaciones importantes entre
las mismas. Asimismo, estas variaciones pueden servir como base para la descripción del
comportamiento de la vegetación en series temporales.

BIBLIOGRAFIA

Derrien, M., B. Farki, H. Lègleau y A. Sairouni. 1992. Clasification de la vègètation sur la

France a l’aide de l’AVHRR de NOAA-11. International Journal of Remote Sensing,
13:9 1787-1795.

J. C. Eidenshink y J. L. Faundeen. 1994. The 1-km AVHRR global land data set: first stages in
implementation. International Journal of Remote Sensing 15, 3443-3462.

Gandini, M.L. I.N. Entraigas y E. J. Usunoff 1997. Mapeo de regiones homogéneas usando análisis
multivariado y SIG en el partido de Azul, Buenos Aires, Argentina. Actas del VIII
Simposio Latinoamericano de percepción remota. Mérida, Venezuela.

Gandini M.L. e I.N. Entraigas 1995. Ecorregiones del partido de Azul. Publicación Nº 2 PIITFA.
Azul, Buenos Aires, Argentina.

Goode, J.P. 1925. The Homolosine projection: a new device for portraying the Earth's surface
entire. Association of American Geographers, Annals, 5, pág. 119-125.

1631
Ludecke M.K.B., P.H. Ramge y G.H. Kohlmaier. 1996. The use of satellite NDVI data for the
validation of global vegetation phenology models: Application of the frankfurt biosfere
model. Ecological modelling 91,pág. 255-270.

Lyon J.G., D. Yuan, R.S. Lunetta y C.D. Elvidge. A change detection experiment using
vegetation indices. Photogrametric Engineering & Remote sensing 64:2, pág. 143-150.

Marsh S., J. Walsh, C. Lee, L. Beck, y C. Hutchinson. Comparison of multitemporal NOAA-

AVHRR and SPOT-XS satellite data for mapping land cover dynamics in the west
African Sahel. International Journal of Remote Sensing 13, pág.2997-3016.

Qui J., A. Huete, M. Moran, A. Chehbouni y R. Jackson. 1993. Interpretation of vegetation

indices derived from multitemporal SPOT images. Remote Sensing of Environment 8,
pág. 127-150.

Sellers, P. J., Berry J. A., Collatz G. J., Field C. B. y Hall F. G. 1992. Canopy reflectance,
photosintesis and transpiration III. A reanalysis using improved leaf models and a new
canopy integration scheme. Remote Sensing of Environment 42, pág. 187-216.

Steinwand D.R. 1998. Mapping raster imagery to the interrupted Goode homolosine projection.
http://edcwww.cr.usgs.gov/landdaac/1KM/goodesarticle.html

Tucker C. J. 1979. Red and photographic infrared linear combinations for monitoring vegetation.
Remote Sensing of Environment 8, pág. 127.

Tucker C. J. y C. Sellers. 1986. Satellite remote sensing of primary production. International

Journal of Remote Sensing 7: 1395-1416.

AGRADECIMIENTOS

Los datos NDVI son distribuídos por el EROS Data Center Distributed Active Archive
Center (EDC DAAC), en el U.S. Geological Survey's EROS Data Center, Sioux Falls, South
Dakota. Agradecemos a los investigadores de la Facultad de Agronomía de Azul que aportaron
datos importantes para la definición de variables agroecológicas y al personal del IHLLA por su
apoyo constante. El trabajo fue financiado con fondos de investigación del PIITFA (FAA-
UNICEN) y del IHLLA (UNICEN, CIC, Municipalidad de Azul).

1632