APLICACIÓN DE UN MODELO DE CORRECCIÓN TOPOGRÁFICA A

IMÁGENES SPOT 5, PARA LA ACTUALIZACIÓN DEL CATASTRO FORESTAL

DE LA ZONA CENTRAL DE CHILE.

Autor:
Pedro Muñoz Aguayo, Geógrafo, Lic. En Geografía.
Co-Autores:
María Ilia Cárdenas Gazmuri, Geógrafo; Juan Pablo Flores Villanelo, Ing. Forestal.

RESUMEN
Expone la aplicación de un modelo de corrección topográfica o realce de sombras, a un conjunto de imágenes
SPOT 5, las que serán utilizadas en la actualización del Catastro Forestal de la Zona Central de Chile. Se
aplica el modelo de Mariotto y Gutschick, que tiene como origen la ley del coseno de Lambert y que fue
adaptado por Minnaert, para corregir la sobre compensación de las sombras en las imágenes. Pese a los
ajustes, el modelo no logra evitar del todo este fenómeno, por lo que se aplica un segundo factor de
corrección, calibrado empíricamente. Si bien los resultados son satisfactorios, para el área estudiada, se
entiende que ningún modelo resolverá todos los problemas, y que estos se deben ajustar a las condiciones de
luz y sombra, definidos por la latitud y fecha de las imágenes.

INTRODUCCIÓN

Para el desarrollo del proyecto “Actualización del Catastro Forestal de la Zona

Central de Chile”, que la Corporación Nacional Forestal, CONAF, encargó al Centro de
Información de Recursos Naturales, CIREN, en 2012, se incluyó, como innovación
metodológica, el uso de la teledetección satelital, para mejorar la escala del estudio y
reducir los costos del ítem dedicado a generación de encuestas en terreno. CONAF puso a
disposición, un set de imágenes del satélite Spot 51, años 2009 al 2010, cuyas bandas
poseen un pixel de 10 m, para las 3 regiones de Chile, que cubre el proyecto (Ver Figura
N°2). El procesamiento de imágenes planificado, consta de tres etapas:

1
Spot 5: Satélite propiedad de ASTRIUM, genera 4 bandas espectrales de 10 m y 1 banda pancromática de 2.5 m.
Espectralmente posee una banda “Verde”, una “Roja”, una “Infrarroja cercana” y una “Infrarroja media” (Equivalente a
la Banda 5, de Landsat 5 y 7). No posee banda “Azul”. Cada imagen cubre 60x60 Km.

1
 1. Preparación de las imágenes como base cartográfica y de análisis espectral.
2. Clasificación no supervisada, para focalizar y optimizar las visitas a terreno.
3. Clasificación mixta (método no supervisado, pero utilizando la información de
terreno como campos de entrenamiento), para extrapolar las especies que componen
el bosque nativo, en los lugares no visitados.

Es en la primera etapa de los procesamientos para la preparación de cartografía base

de ese estudio, donde se inserta el trabajo de compensación del efecto de sombras que se
reporta en este artículo. En zonas montañosas, como es el caso del área de estudio, el uso
operacional de imágenes satelitales,
Figura N°1
para clasificación e interpretación, ÁREA MONTAÑOSA CON BOSQUE ESCLERÓFILO, ZONA CENTRAL
DE CHILE. IMAGEN SPOT 5, EN FALSO COLOR CONVENCIONAL.
frecuentemente se encuentra limitado
por los ángulos de iluminación de
cada escena, definidos por el ángulo
cenital del sensor en el momento de la
toma y la abrupta topografía. Estas
limitaciones se manifiestan de forma
que, para un mismo tipo de cobertura
vegetacional, algunos sectores
presentan una reducción de los
niveles de reflexión de la luz (áreas
sombreadas). En la Figura N°1, es
posible apreciar esta situación, en que Fuente: Imagen Spot 5, ASTRIUM, 2011.

los bosques esclerófilos de las laderas, son percibidos por el sensor como cosas distintas,
según estén en las laderas iluminadas o las sombreadas. Como consecuencia, en el caso de
elaborar un agrupamiento, mediante una clasificación no supervisada, se generarían 2
categorías para el mismo fenómeno, aumentando el nivel de complejidad en su
interpretación. Para corregir este problema, existen varios métodos que permiten realzar los
valores digitales de los pixeles sombreados, para que asuman valores equivalentes a las
áreas iluminadas o sin sombra. Se debe tomar en consideración que ninguno de estos

2
modelos, es aplicable de manera universal, por lo que se deben buscar adecuaciones, para
cada contexto específico.

OBJETIVOS

GENERAL
Disminuir la confusión de clases de vegetación obtenidas del análisis radiométrico de
imágenes satelitales Spot 5, causado por la presencia de sombras, en terrenos de fuerte
pendiente a causa de los ángulos de iluminación.

ESPECÍFICOS.
1. Aplicar el modelo expuesto por Mariotto y Gutschick (2010) al modelo topográfico,
para reducir el efecto de sombra en la radiometría.
2. Ajustar el modelo a las condiciones locales de luz y sombra de las imágenes Spot 5.
3. Determinar la mejora en la clasificación de vegetación por la corrección del efecto
de sombra aplicado.

DESCRIPCIÓN DEL ÁREA DE ESTUDIO

Figura N°2
ÁREA DE ESTUDIO
Este estudio se enmarca en el proyecto de
“Actualización del catastro forestal de la zona
central de Chile” que incluye la Región de
Valparaíso, Región Metropolitana de Santiago y la
Región de O´Higgins, entre las latitudes 32° y 35°
Latitud Sur, sumando una superficie de 47.728Km2.
(Ver Figura N°2).
Relieve: La zona está caracterizada por tres
macro unidades, la Cordillera de Los Andes con
altitudes máximas de 6.500m, la Depresión
Intermedia cuta altitud media es de 550m y la Fuente: Límite administrativo ODEPA.
Relieve, ASTER GDEM V.2

3
Cordillera de la costa con altitudes que van entre los 2.200m y los 700m. Estas unidades se
desarrollan en el sentido E-O, en una distancia promedio de 200Km, produciendo un
paisaje abrupto, con altas pendientes y quebradas profundas. En el perfil longitudinal E-O,
que se muestra en la Figura N°3, se puede apreciar esta situación con claridad y que es la
causa de la aparición de un alto porcentaje de áreas sombreadas, dentro de cada imagen
satelital registrada.

Figura N°3
PERFIL LONGITUDINAL W – E DEL ÁREA DE ESTUDIO EN LA LATITUD 33°47´

Fuente: Elaboración Propia a partir del ASTER GDEM versión 2.

Clima: El área presenta un clima templado mediterráneo. Las direcciones

predominantes de los vientos, todas de componente oceánico y portadoras de humedad,
explican la constante presencia de este factor en el clima regional. La semiaridez dominante
al norte del río Aconcagua, cede hacia el sur, permitiendo mayor desarrollo vegetacional. A
la vez, se verifica de mar a interior, fajas de aumento térmico alternadas con efectos
cordilleranos, dando una variedad de climas con temperaturas moderadas y humedad litoral
y costera, laderas con mayor humedad y mayor amplitud térmica en la cordillera de la
Costa, fuerte diferencia térmica diaria en valles interiores y depresión intermedia con
escasa precipitación y finalmente disminución térmica y aumento de precipitaciones y
nieve en las laderas andinas. En general se distinguen cuatro tipos de climas: Clima de
estepa cálido: Ubicado al norte del río Aconcagua, se caracteriza por la escasa humedad
atmosférica, cielos despejados y luminosidad alta, fuerte oscilación térmica diaria y
temperaturas media anuales de 15°C. Las precipitaciones alcanzan de 150 a 200mm al año.

4
Clima templado de tipo mediterráneo costero: Se presenta en toda la costa y su influencia
llega hasta el interior por medio de los valles. Las variaciones de temperaturas son menores
por el influjo del océano, siendo más parejas durante el año con un promedio anual de
14°C. La humedad relativa es alta con un 75% y las precipitaciones son más abundantes
alcanzando unos 450mm. Clima templado de tipo mediterráneo cálido en el interior: Se
caracteriza principalmente por ser más seco y con una variación térmica mayor que en la
costa. La temperatura media anual es de 15,5°C y las precipitaciones aumentan con la
altitud variando desde unos 250mm hasta 300mm. Clima frío de altura: Se ubica en la
Cordillera de los Andes por sobre los 3.000m de altura. Hay un predominio de bajas
temperaturas y de precipitaciones sólidas, especialmente en invierno.

Vegetación: La zona central de Chile alberga ecosistemas mediterráneos que han

sido reconocidos como uno de los 25 “HOTSPOT” (Myers et al., 2000) o zonas de máxima
importancia para la conservación de la biodiversidad mundial. Destaca un alto grado de
endemismo de la vegetación esclerófila, donde el 45% de sus plantas está restringida y
habita exclusivamente esta área (Arroyo et al., 1999). Por su cercanía a centros poblados, el
paisaje vegetacional de esta zona ha sido altamente alterado y se encuentra robustamente
condicionada por el clima, el tipo de suelo, la exposición a la influencia del sol, entre otros.
De esta manera se puede apreciar una amplia variedad (norte-sur) de ecosistemas agrupados
principalmente al sistema montañoso de los Andes y de la Costa (matorral esclerófilo y
estepa arbustiva). En las áreas más húmedas como fondos de quebradas se pueden
encontrar litres, quilas, pataguas. En los valles y cuencas se desarrolla la vegetación
esclerófila. Entre las especies características de la vegetación del valle central, se pueden
citar, entre otras los espinos, el boldo, el litre, el quillay, el arrayán y el maitén
(Bromeliaceae). Según CONAF (2011) el uso del suelo es predominantemente de praderas
y matorrales que superan los 2,1 millones de hectáreas (un 45% de la superficie total del
área de estudio), mientras que, la superficie de bosque nativo corresponde
aproximadamente a 588 mil hectáreas (12% de la misma área). Destaca, el porcentaje de
desertificación que supera el 50% de la condición grave y moderada. Así, los problemas
más significativos de desertificación, se observan, particularmente para la costa y en la

5
precordillera andina, donde los procesos de deforestación, cambio de uso de suelos,
incendios y sobreexplotación de recursos, entre otros, se manifiestan con mayor claridad en
el paisaje (CIREN, 2010). Es precisamente la mayor densidad y tamaño de la vegetación en
las montañas y la necesidad de su clasificación, lo que hace relevante establecer el
tratamiento de la sombra en las imágenes satelitales.

METODOLOGÍA

Para atenuar el problema de la existencia de sombras en gran parte de las imágenes,

(ver Figura N°5), se planteó realizar un proceso de corrección topográfica o de realce de
sombras, experimentando con el método propuesto por Mariotto y Gutschick (2010). Este
método tiene como origen la ley del coseno de Lambert 2, el que fue adaptado por Minnaert3
(1940), que lo corrige mediante el uso de una constante “k”, que se calcula para cada banda
espectral, usando un modelo de iluminación, generado a través de un modelo digital de
elevación.
La ecuación de Lambert es:

Donde
LH = Reflectancia de la superficie horizontal (Reflectancia corregida).
LT = Reflectancia de la superficie inclinada (Imagen corregida radiométricamente).
COSSZ = coseno del ángulo cenital.
COSi = coseno del ángulo de incidencia solar o Raster de Brillo. (Ver “Cálculo de Raster de
Brillo”)
El motivo por el cual Mariotto y Gutschick (2010), proponen este método de
corrección topográfica, es debido a que con la ecuación de Lambert se produce una sobre
compensación de los valores de los pixeles con sombra, dando como resultado un aspecto
poco realista, como se aprecia en la Figura N°4.

2
Lambert, J. H.”Photometria, sive de Mensura et gradibus luminis, colorum et umbrae.” 1760.
3
Minnaert, M. “The reciprocity principle in lunar photometry” 1940.

6
 El resultado de la aplicación Figura N°4
del factor K, sigue siendo poco IMAGEN CORREGIDA CON EL MÉTODO LAMBERTIANO.

natural o de sobre compensación,

aunque menos que con el método
anterior, (Ver Figura N°6). Los
autores, resuelven el problema,
calculando un factor K específico,
para cada tipo vegetal estudiado, que
en su investigación, bordea los 40
tipos distintos. Esta solución, que
implica conocer de antemano los
resultados, se consideró poco práctica
para el proyecto de actualización del
catastro forestal, debido a que,
determinar la respuesta espectral de las especies vegetales, fue la razón por la que se
decidió utilizar herramientas de teledetección en primera instancia, además de que
permitiría disminuir los costos de las visitas a terreno.

La fórmula de Minaert, es:

Donde
LH = Reflectancia de la superficie horizontal (Reflectancia corregida).
LT = Reflectancia de la superficie inclinada (Imagen corregida radiométricamente).
COSSZ = coseno del ángulo cenital.
COSi = coseno del ángulo de incidencia solar o Raster de Brillo. (Ver “Cálculo de Raster de
Brillo”)
Kα = constante de Minnaert para cada banda α.

7
 El valor de K se estima mediante la regresión entre los valores de reflexión de la
imagen de entrada LH (sin corrección) y los ángulos cenitales y de incidencia solar. El
valor K, varía entre 0 y 1.
La fórmula para calcular el factor K es:

Kα= (LogLT – LogLH) / (Log (Cosi / CosSZ))

Donde
LH es la ecuación de Lambert,

Cálculo del Raster de Brillo.

La forma más sencilla de calcular esta capa raster, que reconstruye

matemáticamente los niveles de brillo y sombras de cada imagen, es utilizando un modelo
digital de elevación y construir un sombreado de relieve, utilizando como parámetro los
ángulos de elevación y azimut de la imagen.

MATERIALES Y MÉTODOS

Se seleccionó un área de 12 x 12Km de un sector de la Región Metropolitana, en el

Cajón del Maipo, a la altura de la localidad de El Manzano, (ver Figura N°5), de la cual se
conocían los tipos vegetales, permitiendo mejorar la calidad de los análisis, para definir los
tipos vegetales, agrupados en las categorías que producen los procesos de clasificación No
Supervisada, realizados con las imágenes de satélite.

8
 Las imágenes disponibles
Figura N°5
para la Actualización del Catastro IMAGEN INFRARROJA DEL CAJÓN DEL MAIPO, REGIÓN
Forestal de la Zona Central de METROPOLITANA.

Chile, corresponden al satélite

SPOT 5, en que se utilizaron sólo
las bandas espectrales, es decir la
banda Verde, la Roja y la
Infrarrojo Cercano. En la
preparación de las imágenes SPOT
5, para sus bandas espectrales de
10m por pixel, se incluyó: un
proceso de ortorrectificación,
usando el Modelo Digital de Fuente: Imagen Spot 5, ASTRIUM. 2011
elevación ASTER GDEM versión
2, con un pixel de 30m un error vertical de 10m. y otro horizontal de 20m.; un ajuste
geométrico simple, para reducir el error heredado del DEM ASTER, utilizando
ortoimágenes de mayor escala y menor error, confeccionadas por CIREN (pixel de 50cm);
una corrección radiométrica, debido a las diversas fechas de toma de las imágenes que
cubren el área de estudio, donde la resolución radiométrica pasa de 8 bit enteros sin signo a
32 bit punto flotante (floating point, en los programas en inglés).
Es producto de esta diversidad en las fechas de toma de las imágenes, y por lo
mismo, a los múltiples ángulos de elevación y azimut de las mismas, que se decidió
realizar los procesamientos en forma individual, es decir, no se elaboró un mosaico de
imágenes.
Concluida esta etapa, se procedió a aplicar el modelo de corrección se sombras
propuesto por Mariotto y Gutschick (2010), ensayando la aplicación del factor de
atenuación K en el área de prueba4 5.

4
La resolución radiométrica del Raster de Brillo, debe ser de 32 o 64 bit Punto flotante y todos los ángulos involucrados
en las ecuaciones, deben ser transformados a radianes, porque en el cálculo de logaritmos, la presencia de ángulos
negativos impide obtener resultados
5
Ángulo Cenital en Radianes = Ángulo Cenital * 2 * pi / 360

9
 El resultado presentó similares problemas de sobre compensación que el método
Lambertiano, aunque en menor proporción. (Ver Figura N°6)
Para resolver el problema de la sobre Figura N°6
compensación, se aplicó una constante de IMAGEN CORREGIDA CON EL MÉTODO
MINAERT.
atenuación “m” a cada K calculado. Esta
constante se definió empíricamente,
comparando los resultados con la experiencia
en terreno. Se determinó que restándole a K,
el valor “0.8”, se lograba compensar las
sombras en la medida de lo razonable, para
los tipos forestales presentes en el área de
entrenamiento.

Finalmente la ecuación aplicada para la corrección de sombras fue:

K-m
LH= LT (COSSZ / Brillo)

LH = Reflectancia de la superficie horizontal (Reflectancia corregida).

LT = Reflectancia de la superficie inclinada (Imagen corregida radiométricamente).
COSSZ = coseno del ángulo cenital.
Brillo= Raster de Brillo.
K-m = Constante K menos valor empírico 0.8.
Luego de aplicada la ecuación con la constante de atenuación del factor K, se
descubrió que persistía un efecto “no natural” en los resultados, pero no atribuible al
modelo matemático. Se decidió trabajar, entonces, con el otro elemento de la ecuación,
Brillo.

Ángulo de Elevación Radianes = Ángulo de Elevación * 2 * pi / 360

10
 El Raster de Brillo, que al ser una re-construcción matemática de las sombras y
brillos de la imagen, muestra cambios de iluminación muy bruscos (alto contraste), debido
a que no logra representar la dispersión natural de la luz dentro de la atmósfera (ver Figura
N°7). Para reproducir este efecto de iluminación difusa, se le aplicó al Raster de Brillo, un
filtro Pasa Bajo (Low Pass) de matriz 5x5 (ajustado empíricamente). Con este insumo se

Figura N°7
RASTER DE BRILLO: MODELAMIENTO DE LAS SOMBRAS, USANDO LA ELEVACIÓN Y EL AZIMUT DE LA
IMAGEN

repitió todo el procedimiento, dando resultados satisfactorios. En la Figura N°8, se aprecia

en el recuadro negro, el Brillo original, y alrededor de este, el resultado del filtro que
simula la dispersión natural de la Luz, dentro de la atmósfera.

Finalmente la ecuación aplicada para la corrección de sombras fue:

K-m
LH= LT (COSSZ / BrilloFilt )

Donde:
LH = Reflectancia de la superficie horizontal (Reflectancia corregida).
LT = Reflectancia de la superfici e inclinada (Imagen corregida radiométricamente).
COSSZ = coseno del ángulo cenital.

11
BrilloFilt = Raster de Brillo, filtrado con Low Pass de matriz 5x5.

K-m = Constante K menos valor experimental m = 0.8

Figura N°8
RASTER DE BRILLO: MODELAMIENTO DE LAS SOMBRAS, USANDO LA ELEVACIÓN Y EL AZIMUT DE
LA IMAGEN
Izq. Raster de brillo original. Derecha, Raster de brillo filtrado con Pasa Bajo de matriz 5x5

Se aplicó la corrección de sombras a todas las imágenes del área de estudio,

entendiendo que es una corrección que posee cierto grado de error esperable debido a la
construcción en un ambiente precordillerano, aplicado a ambientes con menor pendiente
como en la cordillera de la costa. En la Figura N°9, se aprecian las imágenes sin y con
corrección de sombra, según el procedimiento descrito.
La última etapa consistió en realizar una clasificación No Supervisada a ambas
imágenes (con y sin corrección de sombras), usando el mismo algoritmo y los mismos
parámetros de clasificación (Proceso ISODATA, 18 clases, DS 0,02, 30 iteraciones).
Al comparar los resultados (ver Figura N°11, la clase que agrupó “Sombras”, en
color azul en las clasificaciones, se reduce, disminuyendo el error omisión. Además se
comprobó que en la clasificación con corrección de sombras, los pixeles que representan un
tipo de bosque específico, fueron agrupados en la misma categoría, ocupando laderas de

12
umbría y solana, lo que significa que se disminuye el error de comisión (hubo menor
dificultad, para identificar un objeto con dos tipos de iluminación). Esto se traduce en una
imagen con mayor agregación de los resultados y coincidencias con las clases vegetales, es
decir se logra reducir la confusión en la clasificación.

Figura N°9
IMAGEN SPOT 5, EN FALSO COLOR CONVENCIONAL,
SIN CORRECCIÓN DE SOMBRAS CON CORRECCIÓN DE SOMBRA

13
 Figura N°10
COMPARACIÓN DE CLASIFICACIÓN NO SUPERVISADA, ISODATA, 18 CLASES
IMAGEN ORIGINAL SIN CORRECCIÓN CON CORRECCIÓN

CONCLUSIONES

Ante la presencia de un territorio abrupto, en que se requiera del análisis de

imágenes satelitales, es recomendable utilizar técnicas de realce o corrección topográfica
que disminuyan el efecto de producido por la presencia de sombras, que inhibe la
reflectancia natural de un objeto, en este caso bosque nativo.
Los modelos a aplicar, para atenuar el problema de las sombras, deben ser ajustados
localmente, ya que se reconoce que “….no existe un modelo de aplicación universal que
resuelva todos los problemas”6.

6
Mariotto, I. Gutschick, V. “Non-Lambertian Corrected Albedo and Vegetation Index for
Estimating Land Evapotranspiration in a Heterogeneous Semi-Arid Landscape” Remote Sensing
2010.

14
 La aplicación del modelo descrito por Mariotto, I. Gutschick, V. (2010), no fue
suficiente para lograr una compensación adecuada, pues la compensación fue exagerada,
quedando las laderas de sombra, más brillantes que las iluminadas.
El ajuste a este efecto, corregido con dos estrategias. Una para reducir directamente
la sobre compensación, disminuyendo el factor K en la ecuación de Minaert. La segunda,
tuvo que ver con intervenir en el modelo de iluminación, (raster de brillo), que se construye
como un modelo matemático que representa las condiciones de iluminación sobre el
relieve, el día y la hora en que el satélite captó la imagen analizada, sin considerar la
atmósfera como una masa gaseosa que dispersa la luz, y en consecuencia, presenta cambios
bruscos entre luz y sombra, cuando en la realidad la luz difusa matiza esta transición.
Solo con la aplicación de ambas correcciones, fue posible obtener resultados
satisfactorios, en la reducción del efecto de las sombras en las imágenes SPOT 5, para
reducir la confusión de clases de vegetación.

Acompañado al mejoramiento de la resolución espacial de las imágenes satelitales,

está la evolución de los Modelos Digitales de Elevación, donde es posible mejorar los
modelos topográficos, sin embargo los actuales modelos de iluminación que simulan las
condiciones de luz sobre el territorio, considerando solamente los ángulos relativos a la
posición del sol sobre la topografía. Esto, con imágenes de baja resolución era suficiente,
porque los pixeles representan valores medios de múltiples ángulos de refracción,
simplificando la heterogeneidad de la superficie. Con imágenes de alta resolución, aparece
la diversidad de la superficie con todas sus complejidades de refracción de la luz. Entonces
el efecto atmosférico de difusión, se manifiesta, aumentando la complejidad de los modelos
de iluminación.
Por lo tanto es recomendable profundizar en el tema de la refracción difusa de la luz
incidente sobre el territorio, para mejorar los modelos de corrección.

15
 BIBLIOGRAFÍA

Arroyo M., R Rozzi, JA Simonetti, P Marquet y M Salaberry. 1999. Central Chile. En:
Mittermeir RA, M Norman, P Robles & CG Mittermeier. Hotspots: 160-171. CEMEX SA,
México City, México. 431 pp.

CONAF, 2011. Catastro de los Recursos Vegetacionales nativos de Chile. Coporación

Nacional forestal Ministerio de Agricultura de Chile. Santiago, Chile. 25p.

CIREN, 2010. Determinación de la erosión actual y potencial de los suelos de Chile. Centro
de Información de Recursos Naturales. Ministerio de Agricultura de Chile. Santiago, Chile.
345p.

Mariotto, I. Gutschick, V. “Non-Lambertian Corrected Albedo and Vegetation Index for

Estimating Land Evapotranspiration in a Heterogeneous Semi-Arid Landscape” Remote
Sensing 2010, 2, 926-938, ISSN 2072-4292.

Minnaert, M. “The reciprocity principle in lunar photometry” 1940. American

Astronomical Society. En:http://articles.adsabs.harvard.edu/cgi-bin/nph-
iarticle_query?1941ApJ....93..403M&data_type=PDF_HIGH&whole_paper=YES&type=P
RINTER&filetype=.pdf 10 de Abril de 2013.

Myers, N., Mittermeier, R.A., Mittermeier, C.G., da Fonseca G.A.B., y Kent, J. 2000.
Biodiversity Hotspots for Conservation Priorities. Nature 403(6772):853-858.

SANTIBAÑEZ, F.; URIBE, J. (1990) Atlas Agro climático de Chile. Regiones V y

Metropolitana. Universidad de Chile, Facultad de Ciencias Agrarias y Forestales.
Laboratorio de Agroclimatologia, Departamento de Ingeniería y Suelos. Santiago. 66 p.

16