Professional Documents
Culture Documents
1
PASANTA
Director Interno:
JUAN CARLOS ALARCN HINCAPI
Ingeniero Catastral y Geodesta
Director Externo:
NELSON ANDRS NIETO VALENCIA
Ingeniero Ambiental
2
NDICE
1. INTRODUCCIN 9
3. OBJETIVOS 11
3.1. OBJETIVO GENERAL 11
3.2. OBJETIVOS ESPECFICOS 11
4. MARCO TERICO 12
4.1. ndice de Calidad Ambiental 12
4.1.1. Vigor en la teledeteccin 13
4.2. Biomas 13
4.2.1. Zonobiomas 14
4.2.2. Orobiomas 14
4.2.3. Pedobiomas 15
4.2.4. Grandes biomas y biomas continentales. 16
4.3. Cobertura de la tierra 17
4.3.1. Coberturas mayormente transformadas 17
4.3.2. Coberturas de agroecosistemas 17
4.3.3. Coberturas mayormente naturales 17
4.3.4. Cobertura de reas hmedas continentales y costeras 18
4.3.5. Superficies de agua 18
4.3.6. Leyenda Nacional de Coberturas de la Tierra 18
4.4. Percepcin Remota 20
4.4.1. Imagen Digital 21
4.4.2. Caractersticas de una Imagen Digital 21
4.4.3. Preprocesamiento de imgenes satelitales. 23
4.5. Caractersticas del Satlite Landsat 8 OLI 27
4.6. ndices Espectrales de Vegetacin 28
4.6.1. Comportamiento espectral de la vegetacin en el espectro ptico. 30
4.6.2. Clasificacin de los ndices de Vegetacin 32
3
7. METODOLOGA 95
7.1. ndices Espectrales Seleccionados. 96
7.1.1. NDVI 96
7.1.2. SAVI 97
7.1.3. MSAVI 97
7.1.4. ARVI 97
7.1.5. SARVI 97
7.1.6. ASVI 97
7.1.7. GEMI 98
7.1.8. SR 98
7.1.9. NDWI 98
7.1.10. GNDVI 98
7.1.11. GARI 99
7.1.12. SARVI2 99
7.2. Seleccin y descarga de imgenes satelitales 100
7.2.1. Imgenes Landsat 8. 100
7.2.2. Modelos de Elevacin Digital (DEM). 103
7.3. Correcciones de la Imagen 105
7.3.1.1. Correccin Geomtrica 105
7.3.2. Correccin Atmosfrica y Topogrfica 105
7.4. Mascara de nubes y cuerpos de agua 105
7.5. Corte del rea de Procesamiento 106
7.6. Clculo de ndices Espectrales 106
7.7. Segmentacin de la Informacin en funcin de los Biomas 120
7.8. Segmentacin de la informacin en funcin de la capa Corine Land Cover.
120
4
LISTADO DE IMGENES
Imagen 1. Esquema General de la teledeteccin. Fuente (O. Guzmn, 2006) 20
Imagen 2. Ancho de banda para los sensores OLI y TIRS en Landsat 8 y ETM+ en
Landsat 7 (USGS. 2013; citado en (Ariza, 2013). 27
Imagen 3. Comportamiento de la vegetacin en el espectro electromagntico. Fuente:
(Gonzaga Aguilar, 2014) 29
Imagen 4. Factores que explican la reflectividad de la hoja. Fuente (Martnez, 2016) 30
Imagen 5. Clasificacin de los ndices de Vegetacin. Fuente: Adaptado de (UVed, 2016)
32
Imagen 6. Mapa de la zona de estudio Tayrona. Fuente: (Arenas & Nieto, 2015) 33
Imagen 7. Distribucin de los biomas y las coberturas de la tierra en la zona de estudio.
Fuente: Autor 38
Imagen 8. Diseo metodolgico preliminar. Fuente: Autor 95
Imagen 9. poca Invierno; Landsat 8, 09-52, 2013-11-21, color real con mejoramiento
adaptativo en el software PCI 2015. Fuente: Autor 102
Imagen 10. poca Verano; Landsat 8, 09-52, 2016-01-14, color real con mejoramiento
adaptativo en el software PCI 2015. Fuente: Autor 103
Imagen 11. Mosaico del Modelo Digital de Elevacin de la Sierra Nevada de Santa Marta.
Visualizacin en software ArcGIS 10.3. Fuente: Autor. 104
Imagen 12. Invierno, sin correccin atmosfrica. Falso Color Landsat 8 Bandas 5/4/3
Fuente: Autor 105
Imagen 13. Invierno, ATCOR3. Falso Color Landsat 8 Bandas 5/4/3. Fuente: Autor 105
Imagen 14. Escena invierno. Falso color 5/4/3. Fuente: Autor 106
Imagen 15. Escena verano. Falso color 5/4/3. Fuente: Autor 106
Imagen 16. rea del PNN Sierra Nevada de Santa Marta y Tipos de Biomas de la zona.
Fuente: Autor. 107
Imagen 17. Comportamiento del NDVI. Fuente: Autor. 130
Imagen 18. Comportamiento del SAVI. Fuente: Autor. 130
Imagen 19. Comportamiento del MSAVI. Fuente: Autor. 131
Imagen 20. Comportamiento ARVI. Fuente: Autor. 131
Imagen 21. Comportamiento SARVI. Fuente: Autor. 132
Imagen 22. Comportamiento ASVI. Fuente: Autor. 132
Imagen 23. Comportamiento GEMI. Fuente: Autor. 133
Imagen 24. Comportamiento SR. Fuente: Autor. 133
Imagen 25. Comportamiento NDWI. Fuente: Autor. 134
Imagen 26. Comportamiento GNDVI. Fuente: Autor. 134
Imagen 27. Comportamiento GARI. Fuente: Autor. 135
Imagen 28. Comportamiento SARVI2. Fuente: Autor. 135
Imagen 29. Comparacin Biomas - CLC vs. NDVI. Fuente: Autor. 136
Imagen 30. Comparacin Biomas - CLC vs. SAVI. Fuente: Autor. 137
Imagen 31. Comparacin Biomas - CLC vs. MSAVI. Fuente: Autor. 138
Imagen 32. Comparacin Biomas - CLC vs. ARVI. Fuente: Autor. 139
Imagen 33. Comparacin Biomas - CLC vs. SARVI. Fuente: Autor. 140
Imagen 34. Comparacin Biomas - CLC vs. ASVI. Fuente: Autor. 141
Imagen 35. Comparacin Biomas - CLC vs. GEMI. Fuente: Autor. 142
Imagen 36. Comparacin Biomas - CLC vs. SR. Fuente: Autor. 143
5
Imagen 37. Comparacin Biomas - CLC vs. NDWI. Fuente: Autor. 144
Imagen 38. Comparacin Biomas - CLC vs. GNDVI. Fuente: Autor. 145
Imagen 39. Comparacin Biomas - CLC vs. GARI. Fuente: Autor. 146
Imagen 40. Comparacin Biomas - CLC vs. SARVI2. Fuente: Autor. 147
6
LISTADO DE TABLAS
7
Tabla 37. Comportamiento GEMI. Fuente: Autor. 133
Tabla 38. Comportamiento SR. Fuente: Autor. 133
Tabla 39. Comportamiento NDWI. Fuente: Autor. 134
Tabla 40. Comportamiento GNDVI. Fuente: Autor. 134
Tabla 41. Comportamiento GARI. Fuente: Autor. 135
Tabla 42. Comportamiento SARVI2. Fuente: Autor. 135
Tabla 43. Comparacin Biomas - CLC vs. NDVI. Fuente: Autor. 135
Tabla 44. Comparacin Biomas - CLC vs. SAVI. Fuente: Autor. 136
Tabla 45. Comparacin Biomas - CLC vs. MSAVI. Fuente: Autor. 137
Tabla 46. Comparacin Biomas - CLC vs. ARVI. Fuente: Autor. 138
Tabla 47. Comparacin Biomas - CLC vs. SARVI. Fuente: Autor. 139
Tabla 48. Comparacin Biomas - CLC vs. ASVI. Fuente: Autor. 140
Tabla 49. Comparacin Biomas - CLC vs. GEMI. Fuente: Autor. 141
Tabla 50. Comparacin Biomas - CLC vs. SR. Fuente: Autor. 142
Tabla 51. Comparacin Biomas - CLC vs. NDWI. Fuente: Autor. 143
Tabla 52. Comparacin Biomas - CLC vs. GNDVI. Fuente: Autor. 144
Tabla 53. Comparacin Biomas - CLC vs. GARI. Fuente: Autor. 145
Tabla 54. Comparacin Biomas - CLC vs. SARVI2. Fuente: Autor. 146
Tabla 55. Porcentaje Cambio Invierno - Verano OASM 147
Tabla 56. Porcentaje Cambio Invierno - Verano OMSM 148
Tabla 57. Porcentaje Cambio Invierno - Verano OBSMM 148
8
1. INTRODUCCIN
Los ndices espectrales de vegetacin (VIs) son utilizados para determinar rpidamente el
estado relativo de la vegetacin de una zona (Gonzaga Aguilar, 2014); tambin son usados
para mejorar la discriminacin entre coberturas con comportamiento reflectivo muy distinto
en diferentes bandas y, para la estimacin de algunas variables biofsicas (Chuvieco, 2010),
esto hace de los VIs una herramienta til para el monitoreo de los recursos naturales.
Existen mltiples ndices espectrales desarrollados y utilizados por los investigadores con
diferentes aplicaciones; la seleccin de un ndice vegetacin requiere un anlisis de la
variacin espectral del ndice en las diferentes coberturas naturales, debido a que el
comportamiento radiomtrico de las bandas, vara en funcin de las condiciones
ambientales; esto hace que la informacin que arroja el clculo de los ndices tenga que
analizarse detalladamente en funcin de los biomas y ecosistemas, ya que los resultados
podrn indicar los mismos valores calculados en diferentes biomas, pero significar cosas
distintas. Esto es fundamental en el caso colombiano, dada su heterogeneidad ambiental y
su alta variabilidad geogrfica (PNUD, 2011)
1
Entendido como el conjunto de condiciones ptimas que rigen el comportamiento del espacio habitable en
trminos de confort asociados a lo ecolgico, biolgico, econmico-productivo, sociocultural, tipolgico,
tecnolgico y esttico en sus dimensiones espaciales (Luengo, 1998; citado en Arenas & Nieto, 2015). En este
caso, los investigadores del GIT PR y AG, toman como ICA, el vigor de la vegetacin, ya que es una variable,
fcilmente detectable a partir de sensores remotos.
9
2. PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIN Y
Los resultados obtenidos en las etapas 1 y 2 del proyecto por el GIT PR y AG, en el
desarrollo del ICA, reflejan el atributo ecosistmico del vigor2, calculado a partir del ndice
Espectral de vegetacin NDVI, (Arenas & Nieto, 2015); sin embargo este ndice muestra
unas limitaciones prcticas en el momento que se presentan valores altos de ndice de rea
Foliar (LAI) -por encima de 4 generalmente- (Baret, 1995; Sellers, 1987 citado en Chuvieco,
2010), y no es sensible a la franja verde del espectro electromagntico cuando la cobertura
vegetal es baja (Gill, Phinn, Armston, & Pailthorpe, 2009), esto puede sobre o subestimar
la cobertura vegetal, produciendo informacin errnea en algunas zonas (Zhongming, Lees,
Feng, Wanning, & Haijing, 2010)
Por esto se hace necesario el clculo de ndices de vegetacin que sean sensibles a las
variaciones espectrales que reflejen las caractersticas fisiolgicas, las cuales dependen de
la interaccin del medio biofsico.
Este trabajo pretende responder a la pregunta Cules son los ndices de vegetacin que
mejor identifican las variaciones espectrales de las coberturas naturales a partir de
imgenes Landsat 8?
2
El Vigor es usado para expresar la funcin del ecosistema como medida del metabolismo o la productividad
primaria (Yu et al., 2013)
3
La salud de los ecosistemas es descrita como una comprensin multiescala, dinmica, jerrquica, medida en
sistemas de resiliencia, organizacin y vigor (Costanza & Mageau, 1999)
10
3. OBJETIVOS
III. Definir a partir de los resultados obtenidos los ndices espectrales de vegetacin que
permitan identificar con mayor discriminacin las variaciones espectrales en las
coberturas vegetales
11
4. MARCO TERICO
Por ello, el proyecto Uso de imgenes de sensores remotos para el levantamiento fsico
de apoyo a los avalos ambientales; formula un ndice de Calidad Ambiental utilizando la
teledeteccin satelital como herramienta para la evaluacin y monitoreo de la salud de los
ecosistemas en escalas grandes (Rapport, Gaudet, & Calow, 1995, citado en Yu et al.,
2013) y en diferentes temporalidades (Li, Xu, & Guo, 2014).
La salud ecosistmica es descrita por Costanza & Mageau (1999), como una comprensin
multiescala, dinmica, jerrquica, medida en sistemas de resiliencia, organizacin y vigor,
Estos atributos pueden ser usados para detallar directamente indicadores de salud
ecosistmica, como productividad, riqueza de especies, y resiliencia despus de disturbios
naturales y antrpicos.(Li et al., 2014).
4
Los servicios ecosistmicos son los beneficios directos e indirectos que la humanidad recibe de la
biodiversidad y que son el resultado de la interaccin entre los diferentes componentes, estructuras y funciones
que constituyen la biodiversidad. En trminos generales se puede identificar cuatro tipos de servicios
ecosistmicos, servicios de aprovisionamiento, servicios de regulacin y soporte, y servicios culturales (MEA,
2005)
12
(invasin de especies, fragmentacin del paisaje) o resiliencia - respuesta estrs, fuego,
cambio climtico - (Li et al., 2014). El Vigor es usado para expresar la funcin del
ecosistema como medida del metabolismo o la productividad primaria; la Organizacin es
evaluada de acuerdo a la diversidad y a la cantidad de interacciones entre los componentes
del ecosistema, y la Resiliencia es medida por la sustentabilidad y el tiempo de la estructura
y la funcin (Yu et al., 2013). Diversos autores han enfatizado en la necesidad de una
evaluacin de la salud del ecosistema global y dinmica con la integracin de vigor, la
organizacin y la capacidad de resiliencia de los ecosistemas (Li et al., 2014; Yu et al.,
2013), y desarrollado modelos de evaluacin (Z. Chen, Yin, Li, & Xu, 2010; Masek, Hayes,
Joseph Hughes, Healey, & Turner, 2015; D. Xu & Guo, 2015).
Debido a que los biomas son unidades caracterizadas por el tipo de plantas y animales que
alberga, en cada uno de estos el tipo de vegetacin es uniforme en sus primeros estados
fenolgicos, pero a medida que van creciendo las plantas las especies se van diferenciando
debido a sus caractersticas anatmicas y fisiolgicas. Estas variaciones dependen del
medio fsico y a la vez generan cambios en la presencia de determinadas especies
animales. Es importante aclarar que no existe una lnea que delimite los biomas
demarcndolos por zonas, sino que por el contrario cada uno se superpone en una zona
de transicin llamada ecotona o efecto de borde (Arenas & Nieto, 2015).
A partir de las imgenes de satlite se calculan los ndices de vegetacin, haciendo una
relacin entre la reflectancia del infrarrojo cercano y la reflectancia del rojo del visible,
debido a la clorofila de las hojas. Su funcin es permitir la evaluacin del mayor o menor
vigor de la vegetacin y proporciona una identificacin ms visual al realizar una
clasificacin supervisada o no supervisada, ya que se mantiene la imagen en su mxima
nitidez (Baldi et al, 2008; citado en Arenas & Nieto, 2015)
4.2. Biomas
En la tierra existen espacios con caractersticas similares, lo cual permite establecer una
clasificacin segn las condiciones de temperatura, precipitaciones, humedad, flora y fauna.
La unin de los productores y los consumidores de un sitio dado lleva a la formacin de
asociaciones naturales que forman grandes tipos de ensamblajes de comunidades. A
dichos espacios se les denomina biomas, y se definen como espacios naturales, donde las
condiciones son las adecuadas para que se desarrolle el componente bitico de la
naturaleza, generando interacciones con los factores abiticos (Arenas & Nieto, 2015).
13
Los biomas se consideran como un conjunto de ecosistemas terrestres afines por sus
rasgos estructurales y funcionales, los cuales se diferencian por sus caractersticas
vegetales(Hernndez-Camacho & Snchez-Pez, 1992). As mismo, pueden ocupar
grandes extensiones y aparecen en los distintos continentes donde existen condiciones
semejantes de clima y suelos (Carrizosa y Hernndez, 1990; citado en IDEAM et al., 2007).
Sarmiento (2001; citado en IDEAM, 2007) menciona que los grandes biomas del mundo
son praderas y sabanas, desiertos, tundras, taigas (bosques de conferas), bosques
templados caducifolios, bosques secos tropicales (tambin caducifolios), bosques lluviosos
tropicales (de altura y de bajo) siempre-verdes, pramos y punas, biomas elicos (altas
montaas y regiones polares), biomas insulares (altamente endmicos y oligoespecficos),
biomas marinos (nerticos y pelgicos) y el bioma hadal (profundidades ocenicas).
Para Colombia se identifican tres grandes biomas definidos por Walter (1985; citado en
IDEAM, 2007), como ambientes uniformes pertenecientes a un Zonobioma, Orobioma o
Pedobiomas: gran bioma del desierto tropical, gran bioma del bosque seco tropical y gran
bioma del bosque hmedo tropical (Tabla 1). De acuerdo con ciertas caractersticas de
clima, suelo y vegetacin, los tipos de biomas se definen as:
4.2.1. Zonobiomas
Son biomas zonales delimitados por unos amplios y peculiares caracteres climticos,
edficos y de vegetacin zonal (clmax). Walter, creador del trmino, reconoce en la
geobiosfera nueve Zonobiomas con sus correspondientes zonas climticas: ecuatorial,
tropical, subtropical rido, mediterrneo, templado clido, templado, templado rido, boreal
y rtico; cuya caracterstica determinante es el clima. Walter (1997) tambin marc la
necesidad de establecer subdivisiones dentro de los Zonobiomas en funcin
fundamentalmente de la cuanta y/o efectividad de las precipitaciones.
4.2.2. Orobiomas
Son biomas definidos por la presencia de montaas que cambian el rgimen hdrico y
forman cinturones o fajas de vegetacin de acuerdo con su incremento en altitud y la
respectiva disminucin de la temperatura (Walter, 1977). Segn el rango altitudinal se
pueden distinguir tres grandes zonas dentro de los Orobiomas: zona de baja montaa, zona
de media montaa y zona de alta montaa:
14
que fluctan entre los 12 y 18 C, tambin conocidos en Colombia como piso andino.
Al igual que en el Orobioma bajo, la altitud del Orobioma medio en Colombia puede
variar de acuerdo con la posicin geogrfica. Thourent (1983), menciona para la
cordillera Central, transecto Los Nevados, un rango altitudinal de 2.300 a 3.500 msnm.
III. Orobiomas altos: se localizan por encima del lmite superior del piso andino (> 2.800
msnm) hasta el nivel de las nieves perpetuas (> 4.500 m). Thourent (1983), menciona
para la cordillera Central, transecto Los Nevados, un rango altitudinal de 3.500 a 5.200
msnm. Dentro del Orobioma alto, se distinguen a la vez cinco franjas bien definidas
(IDEAM, et al., 2007):
a) Bosques de alta montaa: esta franja de alta montaa se ubica entre los 2.800 y
3.200 msnm. Comprende una zona de transicin (ecotono) entre la vegetacin
cerrada de la media montaa (zona andina) y la abierta de la parte alta; sus
comunidades incluyen bosques altos y ralos. Esta franja puede variar segn la
cordillera en la que se encuentre (Rangel-Ch, 2002).
c) Pramo: sus lmites se extienden entre los 3.500 o 3.600 y los 4.100 msnm. La
diversificacin comunitaria es mxima y se encuentran casi todos los tipos de
vegetacin, aunque predominan los frailejonales y los pajonales (Rangel-Ch, 2002)
d) Superpramo o pramo alto: esta franja, situada por encima de los 4.100 m, llega
hasta el lmite inferior de las nieves perpetuas. Se caracteriza por la discontinuidad
de la vegetacin y la apreciable superficie de suelo desnudo, arenales o
afloramientos rocosos. La cobertura y la diversidad vegetal disminuyen
significativamente hasta llegar a un crecimiento de pocas plantas aisladas y
predominio del sustrato rocoso (Rangel-Ch, 2002)
e) Nival: por encima de los 4.500 msnm, se extiende la franja de las nieves perpetuas
o glaciares (IDEAM, et al., 2007).
4.2.3. Pedobiomas
Son biomas originados por un caracterstico tipo de suelo, generando condiciones azonales
de la vegetacin (Sarmiento, 2001); en este caso la vegetacin, y los procesos ecolgicos
en general, estn directamente influenciados por las condiciones edficas e hidrolgicas
que por las climticas. Segn el tipo de factor condicionante, se pueden distinguir diferentes
clases de Pedobiomas (IDEAM, et al., 2007):
15
II. Halobiomas: zonas con suelos anegados con influencia salina.
III. Helobiomas: lugares con mal drenaje, encharcamiento permanente o con prolongado
periodo de inundacin.
IV. Peinobioma: formado bajo diversas condiciones climticas y elevaciones en las que
pueden presentarse afloramientos rocosos donde ocurren procesos de meteorizacin
de las rocas y una lenta formacin de suelos que los recubre. Su precipitacin vara
entre 1.700 y 3.000 mm/ao.
ID Gran ID
Gran Bioma Bioma
Bioma Bioma
16
23 Orobioma azonal del ro Dagua
24 Orobioma azonal del ro Sogamoso
25 Orobioma azonal del Valle del Pata
26 Helobiomas andinos
27 Orobioma de San Lucas
28 Orobioma de La Macarena
29 Orobioma del Baud-Darin
30 Orobioma bajo de la Sierra Nevada de Santa
Marta y La Macuira
31 Orobioma medio de la Sierra Nevada de Santa
Marta
32 Orobioma alto de la Sierra Nevada de Santa
Marta
Las coberturas mayormente transformadas son reas en las cuales las actividades
humanas han transformado en un alto grado o totalmente las coberturas naturales propias
de dichos espacios. Son ejemplos de ellas las reas urbanas, zonas de extraccin minera,
canteras, escombreras o vertederos. Las reas urbanas comprenden zonas de uso
intensivo coberturas por estructuras o construcciones (Anderson, Hardy, Roach, & Witmer,
1976; citado en IDEAM et al., 2007).
Las coberturas de agroecosistemas son reas que presentan diferentes arreglos espaciales
de vegetacin sembrada y manejada por el hombre. Algunos ejemplos de esta cobertura
son los cultivos anuales o transitorios, cultivos semipermanentes y permanentes, pastos,
reas agrcolas heterogneas, reas agroforestales y bosques plantados (IDEAM et al.,
2007)
Las coberturas mayormente naturales son aquellas que no han sufrido mayores
transformaciones por accin antrpica o que, habiendo sido transformadas, responden a
una dinmica de regeneracin natural. Como ejemplos se citan los bosques naturales, la
vegetacin secundaria, los arbustales, herbazales, las zonas desnudas, los afloramientos
rocosos, los glaciares y las nieves (IDEAM et al., 2007)
17
I. Bosque denso: como comunidades vegetales dominadas por rboles de altura
promedio superior a 5 m y con densidad de copas superior al 70% (IDEAM, et al.,
2007)
III. Herbazal: son reas en las cuales predominan plantas sin estructura de tallo definida
(Di Gregorio & Jansen, 2000; citado en IDEAM, et al., 2007), con especies
principalmente gramneas de alturas inferiores a 2 m.
Es la vegetacin que se asocia de manera directa a los cuerpos de agua. Son ejemplos de
ella la hidrofitia continental y las coberturas herbceas y arbustivas costeras (IDEAM, et al.,
2007).
Son cuerpos de agua que pueden ser naturales o artificiales. En la subdivisin se tienen
aguas continentales naturales (ros, lagos, lagunas) o artificiales (represas), aguas marinas
y lagunas costeras (IDEAM, et al., 2007).
18
Segn la metodologa CORINE (Coordination of Information on the Environmental) Land
Cover adaptada para el pas (Tabla 2)
Tabla 2. Leyenda Nacional De Coberturas De La Tierra Colombia. Fuente: (IDEAM, 2010)
19
2.4. reas agrcolas heterogneas 5.1.3. Canales
2.4.1. Mosaico de cultivos 5.1.4. Cuerpos de agua artificiales
2.4.2. Mosaico de pastos y cultivos 5.2. Aguas martimas
2.4.3. Mosaico de cultivos pastos y espacios 5.2.1. Lagunas costeras
naturales
2.4.4. Mosaico de pastos con espacios 5.2.2. Mares y ocanos
naturales
2.4.5. Mosaico de cultivos y espacios 5.2.3. Estanques para acuicultura marina
naturales
20
areas o espaciales, para luego ser transmitidas a estaciones de recepcin distribuidas por
el planeta. (O. Guzmn, 2006)
De forma generalizada, se define a una imagen digital como un arreglo de nmeros que
representa una distribucin espacial de ciertos parmetros de campos, como la reflexin de
energa electromagntica, emisin, temperatura, o alguna variable de elevacin topogrfica
o geofsica.
Una imagen digital est conformada por elementos pictricos discretos denominados
pxeles organizados en filas y columnas. Cada pxel tiene asociado un nmero denominado
como Nivel Digital (ND), el cual representa la intensidad o brillo promedio de un rea mnima
relativa dentro de la escena, generalmente, el rango de niveles digitales va de 0 a 255. El
tamao de esta rea mnima afecta considerablemente la captura de detalles terrestres
dentro de la escena, si se reduce el tamao de pxel se preservar mejor estos detalles
terrestres en la imagen (Posada, 2008; citado en O. Guzmn, 2006).
I. Resolucin Espacial
Se define por el elemento ms pequeo que puede ser discriminado en una imagen. Se
mide mediante el Campo de Visin Instantneo (IFOV) de un sensor ptico electrnico, o
en la prctica, mediante distancia del terreno que corresponde a ese ngulo y que
corresponde a mnima unidad de informacin incluida en la imagen o pxel. Menor sea el
tamao del pxel, mayor resolucin posee la imagen y mayor nivel de detalle es posible
extraer de la misma. Sin embargo, si las reas de inters son muy heterogneas, como por
ejemplo reas urbanas, se ha comprobado que mayor resolucin espacial afecta
negativamente la clasificacin digital. Igualmente, cabe mencionar que el umbral para
discriminacin de los objetos en una imagen es 4 veces mayor que el tamao de un pxel
21
desde hace poco tiempo, las imgenes del satlite Indio IRIS con resolucin de 6 metros
(Posada, 2008; citado en O. Guzmn, 2006)
Indica el ancho y nmero de las bandas espectrales que posee una imagen. Una imagen
multiespectral se caracteriza por ser ms idnea si cuenta con mayor nmero de bandas,
ya que facilita la caracterizacin espectral de los distintos objetos de la tierra. A la vez es
conveniente que estas bandas sean estrechas, ya que las bandas muy amplias registran
un valor promedio, que puede encubrir la diferenciacin espectral entre los objetos de
inters.
La eleccin del nmero, anchura y localizacin de las bandas depende de objetivos del
estudio. Por ejemplo, para el estudio de la vegetacin es recomendable contar con las
bandas del rango del espectro visible, infrarrojo cercano y medio; para estudio de calidad
de las aguas es importante contar con las bandas azul, verde y rojo. La menor resolucin
espectral posee las imgenes de radar, cuentan con una sola banda y son mono
espectrales. Las imgenes ptico-electrnicas cuentan con un amplio rango de bandas
espectrales en funcin del programa espacial. Existen programas, como HRIS (High
Resolution Imaging Spectrometer) con 196 canales espectrales, (Chuvieco, 2002). Los
comunes para Colombia son las imgenes LANDSAT-TM con 7 bandas espectrales hasta
el programa LANDSAT-5 y 8 bandas para LANDSAT-7. Siguen las imgenes SPOT, con 3
bandas en el programa SPOT-3 y 4 bandas para SPOT-4. Las imgenes IKONOS y
QuickBird cuentan con 4 bandas espectrales (Posada, 2008).
Representa la capacidad del sensor para detectar las variaciones en la radiacin espectral
que recibe. El rango con que se codifica la radiacin varia para distintos sensores, sin
embargo, los de 256 niveles de codificacin o 8 bits son las comunes en el mercado actual
de las imgenes de sensores ptico-electrnicos, as como LANDSAT y SPOT. Las
imgenes de IKONOS son de 11 bits o 2048 niveles radiomtricos. La mayor precisin
radiomtrica conlleva en teora a mayor precisin. Sin embargo, segn Chuvieco, algunos
autores han demostrado que el aumento de 64 a 256 niveles no implica una mejora
significativa en la clasificacin de coberturas vegetales. Igualmente se puede mencionar el
caso de radar, que con una resolucin radiomtrica de 16 bits 65536 niveles de codificacin,
de ninguna manera podr superar una imagen multiespectral de 256 niveles en cuanto a
discriminacin y clasificacin de objetos terrestres (Chuvieco, 2002; Posada, 2008; CCRS,
2003).
22
mayora de las regiones de Colombia y especficamente en el rea del Pacifico se dificulta
debido a las condiciones atmosfricas adversas y alta nubosidad durante casi todo ao.
El pre procesamiento de las imgenes, consiste en hacer las correcciones de las imgenes,
con el fin de eliminar cualquier anomala detectada en la imagen, ya sea en su localizacin
o radiometra de los pixeles que la componen (Gonzaga Aguilar, 2014).
Cualquier imagen adquirida por un sensor remoto, presenta una serie de alteraciones
radiomtricas y geomtricas debidas a muy variados factores, en el caso concreto de las
imgenes espaciales, las deformaciones ms frecuentes pueden agruparse en 4 grupos
(Chuvieco, 1995):
23
diferencias en los valores de radiancia y la conversin de los ND a valores de radiancia y
reflectancia, utilizando modelos de atmsfera y las geometras de iluminacin/observacin
(APN, 2005; citado en Gonzaga Aguilar, 2014).
El objetivo general de las correcciones atmosfricas es convertir los valores obtenidos por
el sensor remoto en valores de reflectancia en superficie, que es la magnitud fsica de
inters. Estos valores son necesarios cuando se utilizan datos satelitales para el anlisis
cuantitativo de las propiedades biofsicas de los elementos de la superficie terrestre,
identificar y evaluar los procesos que en ella ocurren mediante la comparacin de diferentes
escenas en estudios temporales y cuando se deriven ndices a partir de bandas ubicadas
en diferentes regiones del espectro electromagntico (Gonzaga Aguilar, 2014).
, = 0, + 0,
Dnde: , es la radiancia de una banda determinada (en Wm-2 sr-1 m-1); 0, + 0, los
coeficientes de calibracin en dicha banda y corresponde al nivel digital de la imagen
en la misma banda.
24
Los coeficientes son proporcionados por los organismos responsables de los sensores o
programas. Una vez estimada la radiancia (en condiciones ptimas de calibracin) se ha
de relacionar con otros parmetros fsicos. Se puede decir que la radiancia recibida por un
sensor de una banda k depende de:
0,
=
Dnde, 0, es la irradiancia solar en el techo de la atmosfera (para esa banda); es la
reflectividad aparente de la cobertura en esa banda K; es el ngulo cenital del flujo
incidente, formado por la vertical del terreno y los rayos solares; y D es el factor corrector
de la distancia Tierra-Sol, calculado como:
,
=
0, cos
El clculo del valor de la reflectancia en superficie implica introducir algn tipo de correccin
sobre el efecto que imprime la atmsfera sobre la seal recibida por el sensor.
, ,
( )
,0
=
0, , + ,
Los procedimientos para abordar las correcciones atmosfricas con exactitud son muy
laboriosos y requieren datos sobre las condiciones de la atmsfera en el momento de tomar
la imagen, que no suelen estar disponibles. Adems, el efecto de la atmsfera no es
25
constante en la imagen, algunas zonas pueden estar afectadas ms que otras, en funcin
de la diversa presencia de aerosoles o vapor de agua (Chuvieco, 2010).
Existe un modelo de correccin atmosfrica que vale la pena destacar llamado Atcor, fue
desarrollado por Ritcher (Chuvieco, 2010). Atcor realiza las correcciones atmosfricas
basado en un conjunto de perfiles atmosfricos estndar que viene incluidos dentro del
software y que pueden ser personalizados por el usuario en caso de contar con informacin
ms detallada, estos perfiles incluyen el contenido del vapor de agua y los tipos de
aerosoles (Chuvieco, 2010). Segn el mismo autor, el software requiere una estimacin del
espesor atmosfrico para lo cual se debe indicar el rango de visibilidad dado en kilmetros
y una altura sobre el nivel del mar promedio para la imagen permitiendo incorporar un
modelo digital del terreno MDT. Otro parmetro a introducir el ngulo cenital solar. El autor
del modelo de correccin de Atcor hace la salvedad de que ste funciona adecuadamente
para sensores de observacin de la tierra cuasi vertical lo cual permite una tolerancia de
+/- 8 en zonas con altitudes por debajo de 1500m y con pendientes moderadas.
V. Correcciones topogrficas
26
4.5. Caractersticas del Satlite Landsat 8 OLI
Antes de 1972, la idea de utilizar datos de satlite para la vigilancia terrestre, la cartografa
o la exploracin era un concepto visionario. Hecho que da origen al Programa Landsat, el
cual se constituye en una serie de misiones de observacin de la tierra por satlite
gestionadas conjuntamente por la NASA y el Servicio Geolgico de Estados Unidos
(USGS). El programa Landsat ha revolucionado la forma de ver y estudiar nuestro planeta.
Esta serie de datos, que se inici en 1972, es la ms larga de la historia y continua
registrando los cambios en la superficie terrestre desde el espacio. Landsat ha sido el nico
sistema de satlite diseado y operado para observar repetidas veces la cubierta de la tierra
con una resolucin moderada; de manera general cada pixel en su imagen tiene un tamao
con el que se podra cubrir un campo de bisbol (Ariza, 2013). En la Imagen 2, se muestra
la diferencia entre las bandas d los sensores Landsat 8 y Landsat 7.
Imagen 2. Ancho de banda para los sensores OLI y TIRS en Landsat 8 y ETM+ en Landsat 7 (USGS. 2013; citado en
(Ariza, 2013).
El satlite Landsat 8 incorpora dos instrumentos de barrido: Operational Land Imager (OLI),
y un sensor trmico infrarrojo llamado Thermal Infrared Sensor (TIRS). La calidad de los
datos (relacin de la seal en funcin del ruido) y la resolucin radiomtrica (12 bits) del
OLI y TIRS es ms alta que los anteriores instrumentos Landsat (8 bits para TM y ETM+),
proporcionando una mejora significativa en la capacidad de detectar cambios en la
superficie terrestre. Los datos de productos Landsat 8 son totalmente compatibles con todos
los datos de los productos estndar a nivel 1 (ortorectificado) creados usando Landsat 1 al
Landsat 7 (Ariza, 2013); como se muestra en la Tabla 3.
Tabla 3. Especificaciones de Productos LDCM a Nivel 1. Fuente: (Ariza, 2013)
27
Bandas TIRS 10-11: tomadas en 100 metros, pero
remuestreadas a 30 metros
Formato de datos GeoTIFF
Remuestreo por convolucin cbica (CC)
Norte arriba (MAP) de orientacin
Proyeccin cartogrfica: Universal Transversal Mercator (UTM)
(estereogrfica polar de la Antrtida)
Caractersticas de los datos Datum al Sistema Geodsico Mundial (WGS) 84
12 metros de error circular, 90% de confianza exactitud global
para OLI
41 metros de error circular, 90% de confianza exactitud global
para TIRS
Los valores de pxel en 16 bits
Entrega de datos Archivo comprimido .Tar.gz y de descarga a travs de HTTP
Aproximadamente 1 GB (comprimido), aproximadamente 2 GB
Tamao de archivo
(sin comprimir)
Las imgenes Landsat 8 obtenidas por el sensor (OLI) y (TIRS) constan de nueve bandas
espectrales con una resolucin espacial de 30 metros para las bandas de 1 a 7 y 9. Una
banda nueva (1) (azul- profundo) es til para estudios costeros y aerosoles. La nueva banda
(9) es til para la deteccin de cirrus. La resolucin para la banda 8 (pancromtica) es de
15 metros. Dos bandas trmicas 10 y 11 son tiles para proporcionar temperaturas ms
precisas de la superficie y se toman a 100 metros de resolucin (Tabla 4). El tamao
aproximado de la escena es de 170 km de norte-sur por 183 kilmetros de este a oeste
(106 km por 114 km).
Tabla 4. Distribucin de las bandas en OLI y TIRS Landsat. Fuente: (Ariza, 2013)
longitud de
Resolucin
Bandas onda
(metros)
(micrmetros)
Landsat 8 Banda 1 - Aerosol costero 0.43 - 0.45 30 m
Operational Land Banda 2 Azul 0.45 - 0.51 30 m
Imager (OLI) and Banda 3 - Verde 0.53 - 0.59 30 m
Thermal Infrared Banda 4 - Rojo 0.64 - 0.67 30 m
Sensor (TIRS) Banda5 Infrarrojo cercano
0.85 - 0.88 30 m
(NIR)
Banda 6 - SWIR 1 1.57 - 1.65 30 m
Banda 7 - SWIR 2 2.11 - 2.29 30 m
Banda 8 - Pancromtico 0.50 - 0.68 15 m
Banda 9 - Cirrus 1.36 - 1.38 30 m
February 11, 2013 *Banda 10 Infrarrojo trmico
10.60 - 11.19 100 m
(TIRS) 1
*Banda 11 - Infrarrojo trmico
11.50 - 12.51 100 m
(TIRS) 2
Es un cociente o ratio implica efectuar una divisin, pixel a pixel, entre los ND almacenados
en dos o ms bandas de la misma imagen. Los ndices espectrales se utilizan ampliamente
28
en dos situaciones: 1) para mejorar la discriminacin entre coberturas con comportamiento
reflectivo muy distinto en esas bandas, por ejemplo para realzar suelos y vegetacin en el
VIS e IRC, y 2) para reducir el efecto del relieve (pendiente y orientacin) en la
caracterizacin espectral de distintas coberturas, sin embargo resulta ms recomendable
aplicar correcciones del sombreados topogrfico, centrando el inters de estos ndices en
mejorar la discriminacin de las coberturas vegetales y estimar algunas de sus variables
biofsicas.
La vegetacin sana muestra un claro contraste entre las bandas del VIS y especialmente
la banda roja (0,6 0,7 m ) y el IRC (0,7 1,1 m ). Mientras en el VIS los pigmentos de la
hoja absorben la mayor parte de la energa que reciben, estas sustancias apenas afectan
al IRC. Por esta razn, se produce un notable contraste espectral entre la banda
reflectividad de la banda R del espectro y la del IRC, lo que permite separar, con relativa
claridad, la vegetacin sana de otras de otras coberturas (Chuvieco, 2010).
Imagen 3. Comportamiento de la vegetacin en el espectro electromagntico. Fuente: (Gonzaga Aguilar, 2014)
Cuando la vegetacin sufre algn tipo de estrs (por ejemplo, por plagas o sequias
intensas), su reflectividad ser inferior en el IRC, aumentando paralelamente en el rojo (al
tener menor absorcin cloroflica) con lo que el contraste entre ambas ser mucho menor.
Cuanto mayor sea la diferencia entre reflectividadades de la banda IRC y R, mayor vigor
vegetal presentar la cobertura observada.(Chuvieco, 2010)
Bajos contrastes indican una vegetacin enferma, senescente o con poca densidad, hasta
llegar a los suelos descubiertos o al agua, que representan una reflectividad muy similar
entre el IRC y el R, o incluso inferior en esta ltima (caso del agua o las nubes).
29
4.6.1. Comportamiento espectral de la vegetacin en el espectro ptico.
La baja reflectividad en la porcin visible del espectro se debe al efecto absorbente de los
pigmentos de la hoja, principalmente las clorofilas, xantofilas y carotenos. Todos ellos
absorben en la banda del espectro situado en entorno a los 0.445um, mientras la clorofila
representa una segunda banda de absorcin en torno a los 0.645um, en donde el efecto
absorbente es menor. Por esta causa el aparece un pico relativo de reflectividad que
coincide con la banda verde del espectro visible, y causa el color con el que nuestros ojos
perciben la vegetacin vigorosa.(Chuvieco, 2010)
Cuando se aproxima la cada otoal de las hojas, la clorofila ejerce una menor influencia,
lo que explica su mayor reflectividad en la banda roja y, en definitiva, su color amarillento
(verde + amarillo).
30
regulacin trmica de la planta y su absorcin de CO 2. El parnquima alberga los
cloroplastos, mientras en el mesfilo tienen lugar los intercambios gaseosos necesarios
para la respiracin de la planta. Debido a ello cuentas con unas cavidades de aire internas,
que dispersan la mayor parte de la radiacin incidente en el NIR (Gates et al, 1965; Horler
et al, 1983; citado en Chuvieco, 2010). Por ello la hoja sana ofrece una alta reflectividad en
esta banda, en claro contraste con la baja reflectividad que presenta en el espectro visible,
especialmente en la banda roja; puesto que la estructura de la hoja es muy variada segn
las especies, esta banda tambin resulta idnea para discriminar entre plantas, incluso
entre aquellas que o podran separarse en el espectro visible.
A partir de 1,4 um el efecto absorbente del agua es muy claro, por lo que la reflectividad de
la vegetacin sana se reduce drsticamente en el SWIR. En el NIR y SWIR donde la
absorcin del agua es ms clara, se sitan dos picos relativos de reflectividad, en torno a
1,6 um y 2,2 um. Esta clara relacin entre bandas, permite determinar aquellas zonas
afectadas por el estrs hdrico (Ceccato et al., 2001; Hunt & Rock, 1989; Zarco-Tejada et
al., 2003; citado en Chuvieco, 2010)
Como principio genrico se afirma que, cuanto mayor sea el contraste entre las bandas del
R y NIR, mayor ser la cobertura vegetal y/o el vigor de la vegetacin, y ms clara ser su
discriminacin frente a otro tipo de coberturas.(Chuvieco, 2010).
31
4.6.2. Clasificacin de los ndices de Vegetacin
II. ndices que Tienen en Cuenta la Influencia del Suelo. Estos ndices se han
propuesto con el fin de corregir o al menos reducir la influencia del fondo del suelo
- subyacente a la cobertura vegetal en la seal medida por el sensor satelital. Se
han desarrollado tres tipos de ndices: 1) ndices ortogonales (tales como el ndice
de vegetacin perpendicular PVI (Richardson & Wiegand, 1977)), caracterizado
por la distancia perpendicular entre un punto que representa la cobertura vegetal en
el espacio multiespectral Rojo / NIR y el suelo. 2) ndices derivados de la
formulacin del NDVI (como ndice de vegetacin ajustado por el suelo SAVI
(Huete, 1988)). 3) ndice categora combina los dos tipos anteriores. Este es el
32
caso de los ndices TSAVI (Baret, Guyot, & Major, 1989) y MSAVI (Qi, Chehbouni,
Huete, Kerr, & Sorooshian, 1994).
III. ndices que Tienen en Cuenta la Influencia de la Atmsfera. Los gases y los
aerosoles en la atmsfera afectan a la radiacin electromagntica a travs del
proceso de difusin y absorcin. La difusin (dispersin de Rayleigh) siendo ms
selectivos en el espectro visible a la longitud de onda corta (azul) y grande (rojo), la
correccin se basa a menudo en la diferencia entre las bandas espectrales azules
y rojo. Como el ndice de Vegetacin Resistente a la Atmsfera (Kaufman & Tanr,
1992), y el ndice Global de Monitoreo Ambiental (Pinty & Verstraete, 1992), entre
otros.
IV. ndices que Tienen en Cuenta la Influencia del Suelo Atmsfera. Mediante la
combinacin de los ndices mostrados anteriormente, incluyendo el SAVI, y ARVI,
es posible obtener pistas que permiten corregir los efectos combinados del suelo y
la atmsfera, como el (EVI) ndice de vegetacin mejorado (Huete, Justice, & van
Leeuwen, 1999).
La zona de estudio se encuentra dentro de la jurisdiccin del Parque Nacional Natural Sierra
Nevada de Santa Marta (PNN SNSM), en la regin caribe colombiana, en el departamento
de Magdalena, en los municipios de Santa Marta, Cinaga y Aracataca.
33
5.1. Clima
Los dos regmenes de distribucin de lluvias en la Sierra se explican por el efecto abrigo el
cual se da por la oposicin al paso de los vientos alisios que soplan del norte y del nordeste
principalmente, que conllevan a que los ancos norte y noreste de la Sierra presentan mayor
nubosidad y los bordes orientales y de los valles Ranchera y Cesar sean secos (Van der
Hammen, 1984; citado en Rangel-Ch & Carvajal-Cogollo, 2012).
5.2. Hidrografa:
La alta precipitacin sobre las zonas medias y altas de la Sierra hacen de este sistema
orogrfico una estrella hidrogrfica de muy alto rendimiento, conformada por treinta y cinco
ros principales de los cuales 16 nacen en el parque, con un caudal de cerca de diez mil
millones de metros cbicos de agua al ao. Estas aguas son las nicas fuentes para las
extensas zonas ridas de las planicies que rodean el macizo, adems, son las que
garantizan el funcionamiento de los sistemas estuarios y lacustres (Balaguera et al., 2005).
Las corrientes de agua que bajan desde las Sierra Nevada de Santa Marta son los Ros
Piedras, Buritaca, Don Diego, Don Dieguito, Giacharaca, Palomino y Tucurinca, as como
las Quebradas Nuanais, Naculundicue, Mancuamalis y La Leona. En su lmite norte se
encuentra el Mar Caribe en el cual la mayora de los cuerpos de agua mencionados vierten
sus aguas. Gran parte de la humedad que traen los vientos es captada en forma de lagunas
y de glaciares (Arenas & Nieto, 2015).
34
5.3. Coberturas vegetales y ecologa de la Sierra Nevada de Santa Marta.
5.3.1. Biomas
Bioma Caractersticas
35
I. Orobioma bajo de la Sierra Nevada de Santa Marta y Macuira
Este Orobioma abarca una extensin de 994.633 ha y en l se dan climas clido seco
(35%), templado seco (28%), clido rido (15%) y templado hmedo (13%). El 69% del
rea del orobioma est ubicado sobre la unidad geomorfolgica de montaa
fluviogravitacional y el 31% sobre montaa estructural erosional. En este orobioma
predominan las siguientes coberturas de la tierra: vegetacin secundaria (33%), bosques
naturales (32%), pastos (14%), arbustales (8%) y herbazales (7%). (IDEAM et al., 2007)
Con una extensin de 174.149 ha, este orobioma presenta climas fro hmedo (44%), fro
muy hmedo (42%) y fro seco (14%). El 79% del rea del orobioma se encuentra en la
unidad geomorfolgica de montaa fluviogravitacional, el 17% sobre montaa estructural
erosional y un 4% sobre montaa glacirica. Predominan las siguientes coberturas de la
tierra: bosques naturales (59%), reas agrcolas heterogneas (20%), herbazales (11%) y
pastos (5%) (IDEAM et al., 2007)
Este orobioma abarca una extensin de 157.621 ha y cuenta con climas extremadamente
fro seco (40%), muy fro seco (36%), muy fro hmedo (15%) y nival seco (7%). El 79% del
rea del orobioma est sobre la unidad geomorfolgica de montaa glacirica, y el 20% en
montaa fluviogravitacional. En este orobioma predominan las siguientes coberturas de la
tierra: herbazales (71%), bosques naturales (10%), arbustales (10%) y zonas desnudas (sin
o con poca vegetacin) (5%). (IDEAM et al., 2007)
36
Ecosistema de los matorrales de Obtegomeria
caerulescens y Lachemilla polylepis
Tabla 8. rea de las coberturas vegetales presentes en la zona de estudio. Fuente: Autor
Cdigo Cobertura de la Tierra rea (ha) Porcentaje
231 Pastos limpios 820.90 1.06
37
Imagen 7. Distribucin de los biomas y las coberturas de la tierra en la zona de estudio. Fuente: Autor
38
A continuacin se detalla la Descripcin de los ecosistemas de la Sierra Nevada de Santa
Marta elaborada por Rangel-Ch (2012):
I. Ecosistema de los bosques dominados por Zygia longifolia y Virola sebifera (Van
der Hammen 1994 citado en Rangel-Ch, 2012)
d) Suelos: Espesor horizonte 0: 25 cm; Carbono orgnico, 8.5%. Mull (C/N aprox. 10);
pH 5-6. La temperatura de suelo se estabiliza aproximadamente a 40 cm. Proceso
morfo-climticos: meteorizacin, diseccin, remocin en masa.
5
Citado en (Rangel-Ch, 2012)
39
noviembre y el segundo entre marzo y mayo. Las pocas de lluvias bajas van desde
diciembre hasta febrero y desde junio hasta agosto.
40
4. La precipitacin total anual es mayor a 2700 mm. El rgimen de distribucin de
las lluvias es de tipo unimodal-biestacional. Los meses con mayor pluviosidad son
septiembre y octubre con promedios de 400 y 380 mm respectivamente. El perodo
de menor precipitacin est entre diciembre y abril, enero presenta el menor
promedio de lluvias.
41
En reptiles Gonatodes albogularis, Gonatodes vittatus, Lepidoblepharis
sanctaemartae, Thecadactylus rapicauda, Anolis auratus, Anolis onca, Anolis
tropidogaster, Basiliscus iguana, Mabuya zuliae, Ameiva, Ameiva bifrontata, Bachia
bicolor, Bachia talpa, Cnemidophorus lemniscatus, Tretioscincus bifasciatus,
Drymarchon melanurus, Enulius avitorques, Leptodeira annulata, Liophis
melanotus, Stenorrhina degenhardtii y Porthidium lansbergii.
6
Citado en (Rangel-Ch, 2012)
42
magdalenicum, Libanothamnus occultus, Obtegomeria caerulescens, Ranunculus
agelliformis y Vaccinium oribundum.
8
Citado en (Rangel-Ch, 2012)
9
Citado en (Rangel-Ch, 2012)
43
Polychrus gutturosus, Ameiva, Ameiva bifrontata, Anadia altaserrania,
Cnemidophorus lemniscatus, Imantodes cenchoa, Leptophis ahaetulla y Pseudoboa
neuwiedii.
44
Liophis melanotus, Mastigodryas boddaerti, Tantilla melanocephala, Micrurus
mipartitus, Bothrops asper y a Anolis umbrivagus.
g) Distribucin: Magdalena, PNN Sierra Nevada de Santa Marta vertiente NW, lmite
entre municipios Santa Marta-Cinaga, transecto Ecoandes Buritaca-La Cumbre,
3200-4100 m: cerro Buritaca, 3200 m; al NNE del alto La Cumbre (ca. 1 Km), 3500
m; al NE de la laguna Chubdala (ca. 0.4 Km), 3750 m; entre el alto La Cumbre y La
Cuchilla La Cimarrona, 3770 m; cuchilla La Cimarrona, lo E (extremo ENE), al S de
la laguna La Perdida, 3900 m.
10
Citado en (Rangel-Ch, 2012)
45
6. RESULTADOS DE LA BSQUEDA DE INFORMACIN
Tabla 9. Resumen de la bsqueda bibliogrfica. Fuente: Autor
RAZN DE
No FUENTE RESUMEN CARPETA
CONSULTA
Cui, L., Li, G., Ren, H., La correccin atmosfrica es un proceso esencial en los estudios
He, L., Liao, H., Ouyang, cuantitativos de teledeteccin. Existe una falta en la evaluacin de los Comparacin de
N., & Zhang, Y. (2014). mtodos de los datos de las zonas costeras, en particular los datos histricos. Mtodos de
2 Correcciones
Assessment of En este estudio, se evalan los desempeos de los mtodos existentes, con Correccin
atmospheric correction la zona costera de Jiangsu, en el este de China como el rea de estudio. Dos Atmosfrica.
methods for historical mtodos, que se basan en la fecha de adquisicin de imgenes y en las
46
Landsat TM images in radiancias mximas y mnimas, se utilizan para convertir los valores de
the coastal zone: A case nmero digitales a radiancia del sensor. El mtodo de reflectancia aparente,
study in Jiangsu, China. y el mtodo de sustraccin del cuerpo oscuro (DOS), se utilizan para la
European Journal of correccin de cuatro imgenes histricas Thematic Mapper (TM). Los
Remote Sensing, 47(1), desempeos de estos mtodos se evalan mediante el empleo de cuatro
701716. procedimientos de evaluacin. Los resultados muestran que el mtodo
http://doi.org/10.5721/Eu basado en la fecha de adquisicin de imgenes es superior al mtodo basado
JRS20144740 en las mximas y mnimas radiancias. Por otra parte, el DOS-iteracin puede
lograr mejores resultados y por lo tanto puede ser un modelo de correccin
ms razonable que los otros mtodos. (Cui et al., 2014)
47
Se propone un nuevo ndice de vegetacin ajustado humedad (MAVI)
utilizando la reflectancia del rojo (R), infrarrojo cercano (NIR) y de onda corta
infrarroja (SWIR) en una forma de relacin de bandas en el presente
documento. La eficacia de MAVI en la recuperacin de ndice de rea foliar
(LAI) se investiga el uso de Landsat-5 datos y mediciones de campo LAI en
dos bosques y dos zonas de pastos. La capacidad de MAVI para recuperar
los bosques LAI bajo diferentes condiciones de fondo se evala
adicionalmente usando reflectancia del dosel de los bosques de pino y de
Abeto Negro simulados por el modelo 4-escala. En comparacin con varios
ndice de vegetacin de dos bandas de uso comn, tales como el ndice
normalizado de diferencia de vegetacin, el ndice de vegetacin ajustado al
suelo, el ndice de vegetacin ajustado modificado al suelo, el ndice de
Zhu, G., Ju, W., Chen, J. vegetacin ajustado optimizado al suelo; MAVI es un mejor predictor de la
M., & Liu, Y. (2014). A ndice MAVI,
LAI, en promedio, lo que puede explicar el 70 % de las variaciones de la LAI
Novel Moisture Adjusted reduccin del
en las cuatro reas de estudio. Similar a otros VIs de tres bandas
Vegetation Index (MAVI) efecto de fondo.
relacionados con la banda SWIR, tales como el ndice de vegetacin de
to Reduce Background diferencia normalizada modificado (MNDVI) y la reduccin de la relacin (Pastizales ndices
4 Reflectance and sencilla (RSR); MAVI es capaz de reducir los efectos de reflectancia en el Espectrales
Topographical Effects on fondo copas de los rboles para la recuperacin del LAI. MAVI es ms Bosques
LAI Retrieval. PLoS adecuado para la recuperacin de LAI que RSR y MNDVI, ya que evita la
ONE, 9(7), e102560. Valores de LAI
dificultad de determinar adecuadamente los valores mximos y mnimos
http://doi.org/10.1371/jou requeridos en el SWIR para RSR y MNDVI, lo que mejora la robustez de )
rnal.pone.0102560 MAVI en la recuperacin de LAI de diferentes tipos de cobertura terrestre. Por
otra parte, MAVI se expresa como proporciones entre las diferentes bandas
espectrales, reduciendo en gran medida el ruido causado por las variaciones
topogrficas, lo que hace que sea ms adecuado para aplicaciones en zona
montaosa. (Zhu, Ju, Chen, & Liu, 2014)
48
copas de los rboles LAI recuperacin. Las siguientes conclusiones pueden
extraerse de este estudio:
Los pastizales son ecosistema terrestre ms extenso del mundo, y son una
fuente importante de alimentacin para el ganado. Satisfacer la creciente
demanda de carne y otros productos lcteos de manera sostenible es un gran
Ali, I., Cawkwell, F.,
reto. En una escala de campo, los GPS y las tecnologas de sensores
Dwyer, E., Barrett, B., &
basados en tierra proporcionan herramientas prometedoras para pastizales y
Green, S. (2016).
gestin del rebao con alta precisin. Con el crecimiento de la disponibilidad
Satellite remote sensing
de los datos de teledeteccin desde vehculos espaciales, por lo tanto, es Manejo de
of grasslands: from
importante revisar los mtodos y aplicaciones relevantes que pueden explotar Pastizales ndices
5 observation to
estas imgenes. En este artculo, hemos revisado la (i) el estado actual de espectrales
managementa review. (Pastizales)
los mtodos de monitoreo de los pastizales / observaciones y las aplicaciones
Journal of Plant Ecology,
basadas en satlites de datos de teledeteccin, (ii) los avances tecnolgicos
rtw005.
y metodolgicos para recuperar los parmetros biofsicos de los pastizales y
http://doi.org/10.1093/jpe/
las caractersticas de manejo (es decir, la degradacin, la intensidad de
rtw005
pastoreo) e (iii) identificar los problemas clave que subsisten y algunas
nuevas tendencias futuras para el desarrollo.(Ali, Cawkwell, Dwyer, Barrett,
& Green, 2016)
49
El Desierto Gurbantunggut, es el desierto de arenas fijas y semi-fijas ms
grande de China, se caracteriza por una cobertura predominante de costras
biolgicas dominadas por liquen, que sirven una funcin indispensable en la
fijacin de la arena. Dos hallazgos de costras biolgicas del suelo han dado
a conocer a partir de las observaciones de campo anteriores: en primer lugar,
la distribucin de las costras biolgicas del suelo es selectiva en lugares; En
Zhang, Y. M., Chen, J.,
segundo lugar, la composicin de especies vara de forma significativa en las
Wang, L., Wang, X. Q., &
costras biolgicas del suelo que se encuentran en diferentes etapas de
Gu, Z. H. (2007). The
desarrollo. En este estudio, se desarroll una estrategia para investigar la
spatial distribution
distribucin espacial de las costras biolgicas del suelo mediante el
patterns of biological soil Costras
acoplamiento de mediciones de datos y de campo de teledeteccin. Un ndice
crusts in the Biolgicas de
de corteza para datos Landsat ETM +, se ha desarrollado y aplicado para ndices
6 Gurbantunggut Desert, Suelos
detectar las costras biolgicas dominadas por lquenes en el desierto espectrales
Northern Xinjiang, China.
Gurbantunggut. Los resultados indicaron que el sur del desierto abarcaba las (CBS)
Journal of Arid
ms abundantes costras biolgicas del suelo. Adems, las costras biolgicas
Environments, 68(4),
del suelo se distribuyeron en densidad uniforme en el sur del desierto
599610.
mientras que sus patrones de distribucin se vuelven ms irregular en el resto
http://doi.org/10.1016/j.jar
del desierto. Por ltimo, las estadsticas de la clasificacin revelaron que las
idenv.2006.06.012
costras biolgicas del suelo cubrieron el 28,7% de la tierra en toda el rea de
estudio. Sin embargo, es importante mencionar que la cobertura de costras
puede ser subestimada, dado el hecho de que la deteccin de las costras con
imgenes Landsat ETM +, es viable slo si costras constituyen ms del 33%
del campo de visin instantneo (IFOV) del sensor Landsat ETM +. (Zhang,
Chen, Wang, Wang, & Gu, 2007)
Cao, C., Xu, M., Chen, Se propone un marco para diagnosticar la salud del ecosistema medio
W., & Tian, R. (2012).A ambiente a escala global o regional sobre la base de una serie de factores Salud Ambienta
framework for diagnosis ecolgicos naturales como la vegetacin, el agua, el suelo, el aire y as como la
of environmental health sucesivamente. Todos los factores ecolgicos seleccionados pueden ser convergencia de
based on remote adquiridos y controlados por la tecnologa de teledeteccin. Mediante el Salud
7 la salud
sensing. In D. Entekhabi, anlisis de las caractersticas espaciales y temporales y la aparicin y Ambiental
ecolgica y la
Y. Honda, H. Sawada, J. evolucin del mecanismo de accionamiento de los ecosistemas, que tuvo seguridad
Shi, & T. Oki (Eds.), Land como objetivo los principales factores que afectan a la salud ambiental, ambiental.
Surface Remote Sensing definida cuantitativamente umbral de los parmetros de la seguridad
(p. 852414). Kyoto, ambiental, establecer el sistema de ndice de evaluacin de la salud ecolgica
50
Japan: Land Surface objetivo, y el diagnstico de la salud de las zonas ecolgicas clave. (Cao, Xu,
Remote Sensing. Chen, & Tian, 2012)
http://doi.org/10.1117/12.
977439
Un desafo encontrado con los datos de Landsat Thematic Mapper (TM), que
incluye datos de tamao de bandas espectrales de reflexin, est mostrando
Chavez Jr., P. S., & Yaw mayor cantidad de informacin posible en un conjunto de tres imgenes para
Kwarteng, A. (1989). la composicin de color o anlisis digital. El anlisis de componentes
Extracting spectral principales (PCA) aplicado a las seis bandas TM de forma simultnea a
contrast in Landsat menudo se utiliza para hacer frente a este problema. Sin embargo, dos
Thematic Mapper image problemas que se pueden encontrar utilizando el mtodo PCA son que la Anlisis de
ndices
9 data using selective informacin de inters podra ser mapeada matemticamente para uno de los componentes
espectrales
principal component componentes utilizados y que una composicin de color puede ser difcil de principales
analysis. interpretar. Un "Selectivo" PCA se puede usar para minimizar estos dos
Photogrammetric problemas. El contraste espectral entre varias regiones espectrales fue
Engineering & Remote mapeado para un sitio del Norte de Arizona usando datos Landsat TM. Las
Sensing, 55(3), 339348. investigaciones de campo determinaron que la mayor parte del contraste
espectral en esta zona era debido a una de los siguientes razones: la cantidad
de hierro hematita y en los suelos y rocas, las diferencias de vegetacin y el
51
agua, o la presencia de yeso, que tiene una capacidad de retencin de
humedad mayor que los suelos y rocas.(Chavez Jr. & Yaw Kwarteng, 1989)
Carlson, T. N., & Ripley, Se utiliz un modelo simple de transferencia de radiacin con la vegetacin,
D. A. (1997). On the el suelo y los componentes atmosfricos para ilustrar cmo el ndice de Relacin NDVI y
relation between NDVI, Diferencia de Vegetacin Normalizado (NDVl), ndice de rea foliar (LAI), y la LAI ndices
11
fractional vegetation cobertura vegetal fraccionada son dependientes. En particular, se sugiere espectrales
(Valores medios)
cover, and leaf area que el LAI y la cobertura vegetal fraccionada pueden no ser cantidades
index. Remote Sensing independientes, al menos cuando la primera se define sin tener en cuenta la
52
of Environment. presencia de parches desnudos entre las plantas, y que la variacin habitual
http://doi.org/10.1016/S0 de LAI con NDVI puede explicarse como el resultado de una variacin de la
034-4257(97)00104-1 cobertura vegetal fraccionada. Se realizan los siguientes puntos: i) la
cobertura vegetal fraccionada y el LAI no son del todo cantidades
independientes, dependiendo de cmo se define la LAI. Se debe tener
cuidado en el uso de LAI y la cobertura vegetal fraccionada de forma
independiente en un modelo, ya que el primero puede tener parcialmente
cuenta de estos ltimos; ii) Un NDVI a escala tomada entre los lmites de
mnimo (suelo desnudo) y el lmite de cobertura vegetal fraccionada es
insensible a la correccin atmosfrica para ambas condiciones brumosas y
claros, al menos para los ngulos de visin de menos de aproximadamente
20 grados desde el nadir; iii) Una relacin simple entre el NDVI a escala y la
cobertura vegetal fraccionada, descrito previamente en la literatura, se
confirma adems por las simulaciones; iv) La dependencia sensible de LAI
en NDVI cuando el primero es por debajo de un valor de alrededor de 2 a 4
pueden ser vistos como debido a la variacin en el componente del suelo
desnudo. (Carlson & Ripley, 1997)
53
utiliza Landsat e IKONOS, comparado favorablemente con las estimaciones
derivadas de las imgenes hiperespectrales en el aire, y se pueden utilizar
con los mtodos de seguimiento de los pastizales existentes. Llegamos a la
conclusin de que el mtodo de extraccin endmember es sencillo y de
aplicacin general y se puede utilizar con MCSMA para obtener estimaciones
exactas de BG a partir de imgenes ASTER. Sin embargo, el uso de este
enfoque para la estimacin de BG de imgenes de satlite depende de la
evolucin futura de satlite hiperespectrales o sensores ASTER similares.
(Gill & Phinn, 2009)
54
La monitorizacin precisa de la cobertura vegetal a nivel mundial de extensas
zonas ridas y semiridas es importante y difcil. Este estudio examin la
capacidad de los cinco bandas de Landsat Thematic Mapper (TM), 17 ndices
de vegetacin (VIs) en la estimacin de saltbush (arbustos salinos) y la
cobertura total de la vegetacin en ambientes de pastizales semiridos. Se
Chen, Y., & Gillieson, D.
investig la relacin entre la cobertura vegetal del suelo-revisado y los VIs
(2009). Evaluation of
derivados de imgenes Landsat TM y medidas de reflectancia del suelo
Landsat TM vegetation
coincidentes en el lago Mungo y Fowler Gap en Nueva Gales del Sur, Evaluacin de
indices for estimating ndices de
Australia, tanto de vegetacin por matorrales chenopod perennes,
vegetation cover on
principalmente saltbush. El porcentaje de cobertura vegetal y la reflectancia vegetacin en
semi-arid rangelands: a ndices
14 del suelo se midieron a lo largo de 147 sub-transectos y en 147 cuadrantes zonas semiridas
case study from Espectrales
correspondientes, respectivamente. La regresin lineal se calcul para
Australia. Canadian (MSAVI
relacionar los valores de reflectancia promedio de TM bandas espectrales
Journal of Remote
individuales y los VIs de datos de cobertura de vegetacin en cada sitio. Las NDVI)
Sensing, 35(5), 435446.
longitudes de onda del infrarrojo medio y el VIs derivados de ellos se
http://doi.org/10.5589/m0
encontraron siendo mejor en la caracterizacin de la cobertura vegetal de las
9-037
medidas espectrales que se basaban slo en bandas de onda visible e
infrarrojo cercano. El VIs ms adecuado para las encuestas a gran escala en
los pastizales semiridos tambin fueron identificados, donde se requiere una
evaluacin de los costos efectivos de la cobertura vegetal. (Y. Chen &
Gillieson, 2009)
55
principalmente a la banda de reflectancia roja altamente absorbente, mientras
que otros ndices tales como el ndice de suelo y vegetacin resistente a la
atmsfera (SARVI) fueron ms sensibles a las variaciones en la banda del
infrarrojo cercano (NIR). Como resultado, nos encontramos el NDVI para
imitar reflectancias rojas y saturar en los sitios boscosos, mientras que el
SARVI, por el contrario, no se satura y sigui a variaciones en reflectancias
del NIR. En los biomas ridas y semiridas, el NDVI era mucho ms sensible
a las variaciones de fondo dosel que el SARVI. Las diferencias mximas entre
el comportamiento del ndice de vegetacin se produjeron en los bosques de
hoja perenne de Conferas en relacin con los bosques caducifolios de hojas
anchas y secas, pastizales, y las zonas de arbustos. Estas diferencias
parecen ser tiles para complementar el NDVI para un mejor seguimiento de
la vegetacin, con el NDVI sensible a la fraccin de la radiacin
fotosintticamente activa absorbida, y el SARVI es ms sensibles a los
parmetros estructurales del dosel como el ndice de rea foliar y la
morfologa de las hojas
17 Chavez Jr., P. S. (1988). El anlisis digital de datos de teledeteccin se ha convertido en un Mtodo de Correcciones
An improved dark-object componente importante de muchos estudios de ciencias de la tierra. Estos correccin
56
subtraction technique for datos se procesan a menudo a travs de un conjunto de pre-procesamiento atmosfrica de
atmospheric scattering o rutinas de "limpieza" que incluye una correccin para la dispersin sustraccin del
correction of atmosfrica, a menudo llamado bruma. Varios mtodos para corregir o quitar cuerpo oscuro
multispectral data. el componente aditivo bruma se han desarrollado, incluyendo la tcnica de
Remote Sensing of sustraccin-objeto oscuro ampliamente utilizado. Un problema con la mayora
Environment, 24(3), 459 de estos mtodos es que los valores de turbidez para cada banda espectral
479. se seleccionan independientemente. Esto puede crear problemas debido a la
http://doi.org/10.1016/00 dispersin atmosfrica es altamente dependiente a la longitud de onda en la
34-4257(88)90019-3 parte visible del espectro electromagntico y los valores de dispersin estn
correlacionados entre s. Por lo tanto, los datos multiespectrales, como desde
el asignador y escner multiespectral Landsat Thematic deben ser corregidos
con valores de turbidez que son dependientes a la banda espectral. Una
tcnica de sustraccin-objeto oscura mejorada se demuestra que permite al
usuario seleccionar un modelo de dispersin atmosfrica relativa para
predecir los valores de turbidez para todas las bandas espectrales de un valor
seleccionado de la banda neblina de partida. El mtodo mejorado normaliza
los valores de turbidez pronosticados para el aumento y compensacin
diferentes parmetros utilizados por el sistema de imagen. Los ejemplos de
diferencias de valor de neblina entre los viejos y mejores mtodos para
Bandas Thematic Mapper 1, 2, 3, 4, 5, y 7 son 40.0, 13.0, 12.0, 8.0, 5.0 y 2.0
vs. 40.0, 13.2, 8.9, 4.9, 16,7 y 3,3, respectivamente, usando un modelo de
dispersin relativa de una atmsfera clara. En una imagen del sensor
multiespectral Landsat en las diferencias de valor de neblina de Bandas 4, 5,
6 y 7 fueron 30.0, 50.0, 50.0 y 40.0 para el viejo mtodo vs. 30.0, 34.4, 43.6,
y 6.4 para el nuevo mtodo que utiliza un modelo de dispersin relativa de un
ambiente nebuloso. (Chavez Jr., 1988)
Liao, Z., He, B., & Quan, La supervisin del estado del medio ambiente de las zonas montaosas o
X. (2015). Modified accidentadas es muy importante por su gran influencia en el ecosistema
enhanced vegetation global y en la humanidad. El ndice de vegetacin mejorado (EVI) ha sido Modificacin del
index for reducing ampliamente utilizado en el monitoreo ambiental. Se puede reducir el ruido EVI en funcin
18 Correcciones
topographic effects. de fondo y la atmsfera a travs de su formato basado en la de los efectos
Journal of Applied retroalimentacin. Sin embargo, la aplicacin del EVI en las zonas topogrficos
Remote Sensing, 9(1), montaosas ser limitada, porque el EVI se ve afectado en gran medida por
096068. los efectos topogrficos como su ndice de ajuste por el suelo no est en un
57
http://doi.org/10.1117/1.J formato de relacin de bandas. Para moderar los efectos topogrficos en EVI,
RS.9.096068 se modific el EVI cambiando el ndice de ajuste del suelo de la constante a
una variable relacionada con el ngulo de incidencia. En la evaluacin del EVI
modificado, otros tres mtodos de correccin topogrficos conocidos, i) Sun-
canopy-sensor (SCS), ii) SCS con C-correccin (SCS + C), y iii) modificado
Minnaert (MM), se utilizaron para la comparacin. Los resultados indicaron
que el EVI modificado y SCS + C se desempean mejor que MM y SCS por
comparacin visual. Cuantitativamente, el EVI modificado, que tiene un efecto
similar al SCS + C en las regiones de ngulo bajo de incidencia, en gran
medida disminuye la desviacin estndar de las mismas caractersticas de la
tierra y la correlacin entre EVI y el coseno del ngulo de incidencia. Cuando
el ngulo de incidencia es superior a 90 grados, SCS + C y otros dos mtodos
de correccin topogrficos causan hipercorrecciones. Sin embargo, EVI
modificado resolvi este problema bien, debido a su menor curvatura
creciente que otros tres mtodos de correccin topogrficos.Por otra parte,
en comparacin con SCS + C, el EVI modificado conserva mejor los
caractersticas de la superficie de la tierra. (Liao, He, & Quan, 2015)
Los datos del satlite Landsat se han producido, archivados y distribuidos por
el US Geological Survey (USGS) desde 1972. Los usuarios confan en estos
datos para el estudio histrico de la alteracin superficial de la tierra, pero
USGS. (2014). Caractersticas
asumir la carga de procesamiento post-produccin para crear datos de
PRODUCT GUIDE del sensor
aplicaciones listas conjuntos. En cumplimiento de las directrices establecidas
LANDSAT SURFACE Landsat 8 y ndices
19 por el Sistema Mundial de Observacin del Clima, el USGS se ha embarcado
REFLECTANCE- resumen de espectrales
en la produccin de productos de datos Landsat de ms alto nivel para apoyar
DERIVED SPECTRAL ndices
estudios sobre el cambio de la superficie terrestre. Uno de estos productos
INDICES. Version 2.3. espectrales
es la reflectancia de la superficie, de la cual los ndices espectrales se pueden
derivar para promover la facilidad de aplicacin de usuario en la ciencia
teledeteccin tierra. (USGS, 2014)
Ariza, A. (2013).
Descripcin y Correccin
Descripcin detallada de los productos derivados del sensor Landsat OLI 8
20 de Productos Landsat 8 Landsat 8 Landsat
LDCM (Landsat Data as como el proceso de correccin radiomtrica.
Continuity Mission).
Centro de Investigacin
58
Y Desarrollo En
Informacin Geogrfica
Del IGAC -CIAF, 46
59
Brito Hoyos, D. M.
(2013). Maestra en El principal objetivo de este informe es describir los procedimientos
Aplicaciones Espaciales desarrollados y reportar los resultados obtenidos durante la pasanta en el
de Alerta y Respuesta Laboratorio de Ecologa, Teledeteccin y Eco-Informtica (LETyE), que tuvo
Temprana a una duracin de seis meses bajo la supervisin y direccin de la directora del Correccin ndices
22
Emergencias. Informe grupo de investigacin, doctora Patricia Kandus. Durante el desarrollo de la Atmosfrica Espectrales
Final - Pasanta. pasanta se alcanzaron diversos logros relacionados al uso de informacin
Universidad Nacional de satelital (ptico y radar) como herramienta en el campo de la ecologa de
General San Martn humedales. (Brito Hoyos, 2013)
(UNSAM).
60
Sostenible: IX Congreso
Del Grupo de Mtodos
Cuantitativos, Sistemas
de Informacin
Geogrfica Y
Teledeteccin, 222239.
61
del centro urbano. La densidad del dosel, el rea basal y la distribucin de
clases del ndice de rea foliar, fueron todas sesgadas hacia los valores
bajos. Los resultados demuestran que el sensor Landsat TM tiene una
capacidad relativamente rpida y eficiente para la estimacin cuantitativa de
algunos atributos estructurales del bosque urbano, incluyendo ndice de rea
foliar, la densidad del dosel y el rea basal en reas urbanas. (Ren et al.,
2015)
Gu, Z., Ju, W., Li, L., Li, La fraccin de cobertura de vegetal (VFC), es un parmetro de vegetacin
D., Liu, Y., & Fan, W. importante que afecta a los intercambios de carbono, agua, energa entre la Determinacin
(2013). Using vegetation atmsfera y la superficie. En este estudio, la aplicabilidad del clculo de la de la fraccin de ndices
27
indices and texture medicin del tono y la textura, utilizando una imagen IKONOS-2 en la la cobertura espectrales
measures to estimate recuperacin de la VFC de los bosques, se investig en el rea urbana de la vegetal
vegetation fractional ciudad de Nanjing, China. Cuatro ndices espectrales de vegetacin (VIs) y
62
coverage (VFC) of seis medidas de textura (TEX) que fueron relacionados con los VFC, (NDVI
planted and natural adquiridos de mediciones in situ. Los modelos para la estimacin de VFC RVI
forests in Nanjing city, basado en VIs y / o TEXs fueron establecidos y validados para las parcelas SAVI
China. Advances in de plantaciones forestales bajas de hoja ancha (PLB), parcelas de ARVI)
Space Research, 51(7), plantaciones de bosque maduro (PMF), parcelas de bosques naturales de
11861194. hoja ancha (NBF), y todas las parcelas forestales (ALLv), respectivamente.
http://doi.org/10.1016/j.as Los resultados muestran que la alta resolucin espacial de datos de
r.2012.11.015 teledeteccin es aplicable para estimar VFC en las zonas urbanas, y TEXs
puede actuar como suplementos eficaces de ndices de vegetacin (VIs) para
la recuperacin de VFC. VIs son adecuados para la estimacin de VFC de
los bosques maduros (como NBF y PMF) con una alta densidad de la
vegetacin, y TEXs puede dar una estimacin ms precisa de los bosques
plantados (como PLB y PMF) con distribucin espacial regular si se calculan
con los parmetros adecuados, tales como el tamao de la ventana. La
combinacin de las IVs y TEXs mejorar la estimacin de la VFC si los tipos
de bosque no se diferencian con anterioridad. Los resultados pueden ser
utilizados como una referencia para la determinacin de parmetros
espectrales o de textura efectiva en la estimacin de VFC en condiciones
ambientales similares de acuerdo con la madurez vegetacin y la regularidad.
(Gu et al., 2013)
63
La teledeteccin se ha utilizado en la gestin de la salud del bosque como un
mtodo para la cartografa de la vegetacin, el combustible de fuego, la
estimacin del riesgo de incendios, deteccin de incendios, la cartografa de
la gravedad despus del incendio, la cartografa de la infestacin por insectos,
Wang, J., Sammis, T. W., y el seguimiento de estrs hdrico relativo. Este documento analiza el uso de
Gutschick, V. P., la teledeteccin por satlite en los estudios de sanidad forestal, incluidas las Salud de los
Gebremichael, M., actividades de investigacin en curso; los sensores de satlite, los mtodos bosques
Dennis, S. O., & y parmetros utilizados; y su precisin. La revisin concluye que los datos de
(NDVI
Harrison, R. E. (2010). los satlites de Moderate Resolution Imaging Spectroradiometer (MODIS)
Review of Satellite son ms apropiados para la mayora de las aplicaciones de teledeteccin SR ndices
29
Remote Sensing Use in para la salud de los bosques que otros datos del satlite actuales, al espectrales
Forest Health Studies. considerar resoluciones temporales y espaciales, el coste y bandas. MODIS GRVI
The Open Geography tiene un da 1-2 temporal y una resolucin espacial 250-1000 m; los datos
MSAVI
Journal, 3(1), 2842. son gratuitos y abarcan ms bandas espectrales que otros satlites (hasta 36
http://doi.org/10.2174/18 bandas). Recomendamos que el modelado fsico y fisiolgico (por ejemplo, la EVI)
74923201003010028 evapotranspiracin y crecimiento de la biomasa) se desarrollarn para la
teledeteccin de la salud de los bosques. Tambin se necesitan algunos
sensores adicionales satlite, como para las estimaciones de altas
temperaturas (de hasta 1800 K) y sensores de bandas estrechas. (J. Wang
et al., 2010)
64
resultados se comparan con temperaturas in situ de boyas y las diferencias
van desde <1 a 5 grados centgrados. Se discuten la metodologa y los
resultados de la correccin atmosfrica.(L. T. Wang & Deliberty, 2005)
Chen, Z., Yin, Q., Li, L., Se recogi una composicin de mximo de 10 das de SPOT / VEGETACIN Mtodo para el
& Xu, H. (2010). NDVI desde 1998 hasta 2007, para evaluar la salud terrestre de la regin de clculo de vigor
32 Ecosystem Health los ecosistemas a lo largo de la costa de la provincia de Zhejiang.El vigor, la Salud ambiental
organizacin y
Assessment by using organizacin y la capacidad de recuperacin eran los tres principales resiliencia
remote sensing derived caractersticas de la salud del ecosistema, en este documento el NDVI
65
data: A case study of promedio anual represent el vigor, el porcentaje de la vegetacin y el (NDVI)
terrestrial region along movimiento del centroide represent la organizacin, y la pendiente la
the coast in ZheJiang resiliencia. A continuacin, el valor integrado de salud se calcul utilizando la
province. IEEE multiplicacin de esos indicadores. A continuacin, se adquirieron los
Geoscience and Remote resultados de salud de los ecosistemas integrados. Los siguientes resultados
Sensing Letters, 4526 fueron: (1) el vigor general se mantuvo estable en los ltimos 10 aos, pero
4529. haba heterogeneidad espacial; (2) el porcentaje de vegetacin disminuye y
el centroide del NDVI se traslad hacia tierra adentro; (3) la pendiente ms
baja distribuida alrededor de las ciudades y la costa, la capacidad de
recuperacin de vegetacin disminuye; (4) el mejor estado de salud de los
ecosistemas estaban en Fenghua, Pingyang, el peor de los casos estaban en
Shaoxing, Ningbo y Cixi. (Z. Chen et al., 2010)
66
tambin en 1996, y MODIS sobre EOS en 1998 y 2000). Nuevos ndices se
desarrollan que utilizan el canal verde y son resistentes a los efectos
atmosfricos. Un verde NDVI = (NIR - Green) / (NIR + Green) fue
probado para una gama de Chl-A de 0,3 g / cm2 a 45 g / cm2, y se encontr
que un error en la clorofila una derivacin a nivel de la hoja de menos de 3 g
/ cm2. El nuevo ndice tiene un rango dinmico ms amplio que el NDVI y es,
en promedio, al menos cinco veces ms sensible a la Chl-a concentracin.
Un ndice de vegetacin atmosfricamente resistente verde (GARI), adaptado
en el concepto de ARVI (Kaufman y Tanr, 1992 en (Gitelson, Kaufman, &
Merzlyak, 1996), se desarrolla y se espera que sea tan resistente a los efectos
atmosfricos como ARVI pero ms sensibles a una amplia gama de Cl-a
concentraciones . Mientras que el NDVI y ARVI son sensibles a la fraccin de
vegetacin y de la velocidad de absorcin de la radiacin solar fotosinttica,
un ndice de vegetacin verde como GARI debe aadirse para detectar la
concentracin de clorofila, para medir la tasa de fotosntesis y controlar el
estrs vegetal. (Gitelson et al., 1996)
Luoto, M., Toivonen, T., Este trabajo tiene como objetivo estudiar la previsibilidad de los patrones de Prediccin de
35 & Heikkinen, R. K. mesoescala de la riqueza de especies de plantas vasculares en un paisaje riqueza de Organizacin
(2002). Prediction of total agrcola y rivereo finlands. Utilizando modelos lineales generalizados, especies a partir
67
and rare plant species registros florsticos y las variables ambientales derivadas de las imgenes de imagines
richness from satellite Landsat TM y un modelo de elevacin digital, construimos modelos para el Landsat
images and GIS data in nmero total de especies de plantas y el nmero de rarezas. Se valida la
agricultural landscapes. exactitud de los modelos derivados con un equipo de prueba de 52 Riqueza
Landscape Ecology, cuadrculas en el rea de estudio principal. Los modelos finales explican 46 a
17(3), 195217. 51% de la variacin en los datos de las especies. Extrapolamos los dos
http://doi.org/10.1023/A:1 modelos de la zona de estudio bsico para toda el rea de estudio de 601
020288509837 km y La riqueza de especies producidas utilizando los mapas de
probabilidad, usando tcnicas de SIG. Los resultados sugieren que los puntos
de acceso locales de flora total (cuadrculas con> 200 especies) se
encuentran principalmente en los valles de los ros, donde se encuentra un
mosaico agroforestal semiabierto. Los puntos de acceso de especies raras
(cuadrculas con > 4 especies raras) se encuentran principalmente en los
valles de los ros heterogneos, en los extensos pastizales seminaturales y
hierbas ricas de bosques de hoja caduca, se producen en pendientes
pronunciadas. (Luoto, Toivonen, & Heikkinen, 2002)
68
basado en la deteccin espacialmente explcita integral son: (1) tema de
escala; (2) tema facilidad de transporte; (3) la disponibilidad de datos; y (4)
las incertidumbres en los indicadores de salud estimados a partir de los datos
de teledeteccin. Sin embargo, la constelacin Radarsat-2, prximos nuevos
sensores pticos de datos LiDAR tecnologas mejoradas para la adquisicin
y procesamiento de hiperespectral, multi-ngulo ptica, radar Cosmovisin-3
y Sentinel-2 satlites, y, y, y la fusin de datos multi-sensoral puede en parte,
frente a los retos actuales. (Li et al., 2014)
Xu, C., Li, Y., Hu, J., Tanto la productividad primaria neta (NPP) y el ndice de vegetacin de
Yang, X., Sheng, S., & diferencia normalizada (NDVI) son comnmente utilizados como indicadores Comparacin
Liu, M. (2012). para caracterizar vigor de la vegetacin, y el NDVI se ha utilizado como un ndices
38 entre el NDVI y
Evaluating the difference estimador indirecto de la NPP en algunos casos. Para evaluar la fiabilidad de espectrales
PNN
between the normalized dicha subrogacin, aqu examinamos la diferencia cuantitativa entre la NPP
difference vegetation y el NDVI en sus resultados de la evaluacin del vigor de la vegetacin a
69
index and net primary escala de paisaje. El uso de datos de Landsat ETM + y un modelo de proceso,
productivity as the en el simulador de productividad del ecosistema boreal, la distribucin del
indicators of vegetation NPP fue asignada a una resolucin de 90 m, y el NDVI total durante la
vigor assessment at estacin de crecimiento se calcul en la cuenca del ro Heihe, en el noroeste
landscape scale. de China en el 2002. Los resultados de la comparacin entre los mapas de
Environmental Monitoring clasificacin de la NPP y el NDVI muestran que exista una diferencia
and Assessment, 184(3), sustancial en trminos de superficie como de la distribucin espacia, l entre
12751286. los resultados de la evaluacin de estos dos indicadores, a pesar de que
http://doi.org/10.1007/s10 estn fuertemente correlacionados. Los grados de diferencia pueden ser
661-011-2039-1 influenciados por los esquemas de evaluacin, as como el tipo de vegetacin
y las ecozonas. En general, el NDVI no es un buen sustituto de la NPP como
los indicadores de evaluacin de vigor de la vegetacin en el rea de estudio.
No obstante, el NDVI podra servir como un indicador sustituto bajo la
condicin de que la regin objetivo tenga una escasa cobertura vegetal y la
evaluacin tenga sistemas de clasificacin relativamente gruesas (es decir,
el nmero de clases es pequeo). Se sugiere que el uso de la PNN y NDVI
debe ser cuidadosamente seleccionada en la evaluacin del paisaje. Sus
diferencias necesitan ser ms evaluados a travs de reas geogrficas y
biomas. (C. Xu et al., 2012)
70
ambiente. Por lo tanto, es el momento de considerar el ecosistema de
pastizales como una entidad de forma sinttica y establecer un sistema de
vigilancia de la salud de pastizales integrado para combinar diferentes
aspectos del ecosistema complejo de pastizales. En esta revisin, los
mtodos de vigilancia de la salud de pastizales actuales, incluyendo la
evaluacin de la salud del pastizal, la evaluacin de la salud del ecosistema
y el seguimiento de pastizales por teledeteccin desde diferentes aspectos,
se analizan junto con las direcciones futuras de evaluacin de la salud de los
pastizales. (D. Xu & Guo, 2015)
71
Numerosos estudios han informado sobre la relacin entre el ndice de
vegetacin de diferencia normalizada (NDVI) y el ndice de rea foliar (LAI),
Wang, Q., Adiku, S., pero la variabilidad estacional y anual de esta relacin ha sido menos
Tenhunen, J., & Granier, explorada. Se presenta el estudio de la relacin NDVI-LAI a travs de los aos
A. (2005). On the 1996 a 2001 en un sitio de bosque de hoja caduca. Seis aos de patrones
relationship of NDVI with LAI del bosque se estim utilizando un modelo de transferencia radiativa con
leaf area index in a el aporte de las mediciones del dosel encima y por debajo de la radiacin Relacin NDVI y
42 deciduous forest site. global, mientras que los conjuntos de datos de NDVI fueron recuperados de LAI en bosques LAI
Remote Sensing of la composicin de NDVI de series de tiempo de varias fuentes de caducifolios.
Environment, 94(2), 244 teledeteccin, a saber NOAA Advanced Very High Resolution Radiometer
255. (AVHRR; 1996, 1997, 1998 y 2000), SPOT VEGETATION (1998-2001), y
http://doi.org/10.1016/j.rs Terra MODIS (2001). El NDVI Compuesto fue utilizado por primera vez para
e.2004.10.006 eliminar el ruido residual basado en un ajustado transformada de Fourier y
obtener las series temporales de NDVI para cada da durante cada ao (Q.
Wang, Adiku, Tenhunen, & Granier, 2005)
72
Encontrar un mtodo eficaz para cuantificar cambios en la composicin de
especies en el tiempo y en el espacio ha sido una tarea importante para los
ecologistas y biogegrafos. Recientemente, la exploracin de los patrones
florsticos regionales utilizando los datos derivados de imgenes de satlite,
tales como el ndice de vegetacin de diferencia normalizada (NDVI) ha
dibujado lneas de investigacin considerables entre los ecologistas. Los
estudios han demostrado que NDVI podra ser una bastante buena sustituta
para productividades primarias. En este estudio, hemos utilizado los datos de
distribucin de plantas en los estados del l Norte y Carolina del Sur para
He, K. S., Zhang, J., &
investigar las correlaciones entre la composicin de especies y NDVI dentro
Zhang, Q. (2009). Linking
de eco regiones que se definan mediante la prueba de Mantel y el
variability in species
procedimiento de permutacin multi-respuesta (MRPP). Nuestro enfoque
composition and MODIS
analtico implic la generacin de matrices de disimilitud de composicin NDVI y
NDVI based on beta
43 mediante el clculo de las diversidades beta por pares de los 145 condados distribucin beta Organizacin
diversity measurements.
en los dos estados para los datos de distribucin de las especies y mediante de especies.
Acta Ecolgica, 35(1),
el clculo de las distancias euclidianas de datos de series temporales de
1421.
NDVI. Se argumenta que las medidas de diversidad beta toman las
http://doi.org/10.1016/j.ac
diferencias por pares en cuenta de manera explcita y podran proporcionar
tao.2008.07.006
ms informacin de correlacin espacial en comparacin con regresiones uni
o multi-dimensionales. Nuestros resultados mostraron una correlacin
positiva significativa entre las especies de las matrices de disimilitud de
composicin y las matrices de distancia del NDVI. Tambin se encontr por
primera vez que la fuerza de correlacin aument a un rango taxonmico
inferior. Las mismas tendencias se descubrieron al incorporar la variabilidad
en los patrones fenolgicos en el NDVI. Nuestros hallazgos sugieren que la
percepcin remota NDVI puede ser viable para el seguimiento de cambios en
la composicin de especies a escala regional. (He, Zhang, & Zhang, 2009)
Hofer, G., Bunce, R. G. La relacin entre la diversidad de plantas y la variabilidad topogrfica en los Anlisis de
H., Edwards, P. J., paisajes agrcolas se investig, con el objetivo de determinar si las unidades composicin
Szerencsits, E., Wagner, de paisaje de muestreo de 1 km2 (LU) a travs de un gradiente de variabilidad paisajstica a
44 H. H., & Herzog, F. topogrfica es ms eficiente que un diseo aleatorio para evaluar el rango de partir de Organizacin
(2011). Use of la biodiversidad climticamente y biogeogrficamente en reas homogneas unidades de
topographic variability for llamados sub-regiones. Datos representativos de especies vegetales del paisaje
assessing plant diversity programa de monitoreo de la biodiversidad en Suiza fueron analizados establecidas
73
in agricultural cubriendo un amplio gradiente ambiental de cuatro pisos altitudinales y siete
landscapes. Agriculture, regiones biogeogrficas. El foco del estudio se estableci en reas agrcolas,
Ecosystems & pero todo el conjunto de datos se analiz bien para poner las LUs agrcolas
Environment, 142(3-4), en un contexto general.
144148.
http://doi.org/10.1016/j.ag Las especies de plantas listas de LUs se utilizaron para calcular dos
ee.2011.04.011 componentes de la diversidad: ECOrichness, el nmero de tipos de plantas
ecolgicas por LU (como una medida de la diversidad beta) y AGROrichness,
el nmero de especies de importancia para la conservacin de la agricultura.
Los modelos de regresin mixtos se utilizaron para analizar los efectos de la
variabilidad topogrfica de las dos componentes de la diversidad vegetal,
incluidas las sub-regiones (reas con la misma combinacin de cinturn
altitudinal y la regin biogeogrfica) como factor aleatorio. Estos anlisis se
realizaron para todo el conjunto de datos (419 LU dentro de 22 sub-regiones)
y para el subconjunto focal de 187 LU agrcolas dentro de los 13 sub-
regiones.
Lawes, R. A., & Wallace, A nivel mundial, las malas hierbas invasoras amenazan los ecosistemas
J. F. (2008). Monitoring agrcolas, naturales y urbanos. En las regiones agrcolas y ganaderas de
an invasive perennial at Australia, las especies invasoras establecen a menudo a una extensa rea Monitoreo de
45 the landscape scale with donde el control de malezas se ve obstaculizada por la incapacidad de especies Organizacin
remote sensing. detectar la ubicacin y el momento de un brote. En estos vastos paisajes, se invasoras
Ecological Management requiere una deteccin y seguimiento sistema eficaz para delinear la
& Restoration, 9(1), 53 extensin de la invasin e identificar los factores espaciales y temporales
74
59. asociados con el establecimiento de malezas y engrosamiento. En este
http://doi.org/10.1111/j.14 estudio, utilizamos una serie temporal de imgenes de teledeteccin para
42-8903.2008.00387.x identificar los patrones espaciales y temporales de la acacia espinosa (Acacia
nilotica) invasora en las llanuras de hierba de en North Queensland.
Desarrollamos un ndice espectral a partir de imgenes Landsat que se aplica
a las imgenes desde 1989 hasta 2004, en combinacin con una mscara de
clasificacin, para identificar lugares y monitorear los cambios en la densidad
del higo de Acacia a travs de 29 000 km2 de las llanuras de hierba de
Mitchell. El enfoque de identificacin espectral y firmas temporales
consistente con la infestacin acacia espinosa de 1,9% de este paisaje. La
comprobacin sobre el terreno de los resultados confirm la presencia de la
maleza en lugares no registrados anteriormente. El mtodo puede ser
utilizado para evaluar la propagacin futura, o resultados de las estrategias
de gestin para la acacia espinosa en este paisaje y podra ser empleado
para detectar y controlar las invasiones en otros paisajes extensos. (Lawes &
Wallace, 2008)
75
entre el NDVI y tanto la riqueza de especies de plantas y el porcentaje de la
cobertura arbrea (con R2 tan alto como 0,87 entre el NDVI y la riqueza total
de la planta y 0,89 para la riqueza anual de la planta). Las imgenes de alta
resolucin nos permitieron examinar la heterogeneidad espacial en el NDVI
dentro de nuestros cuadrantes. La riqueza de especies se correlacion
significativamente con la desviacin estndar de los valores del NDVI (pero
no con su coeficiente de variacin) dentro de los cuadrantes y entre
imgenes. Al contrario de la riqueza, rareza de tamao de rango relativa
negativamente con el NDVI en todas las imgenes, siendo este resultado
significativo en la mayora de los casos. Por lo tanto, dado que son validados
por el trabajo de campo, los ndices obtenidos por satlite pueden arrojar luz
sobre la riqueza e incluso patrones de rareza en las montaas, muchos de
los cuales son centros importantes de la biodiversidad. (Levin, Shmida,
Levanoni, Tamari, & Kark, 2007)
76
distribucin de un gran nmero de especies en una variedad ms amplia de
tipos de hbitat. Esto est fuertemente limitado por la variacin en la
composicin de las especies, y mejor aplicada sobre extensiones espaciales
limitadas de decenas de kilmetros cuadrados (Nagendra, 2001).
Explica los patrones de riqueza de las especies de plantas en unos 286 km2
Rsnen, A., Kuitunen,
paisaje fragmentado con una notable influencia humana. El objetivo de este
M., Hjort, J., Vaso, A.,
estudio era doble: para probar la importancia relativa de las medidas de
Kuitunen, T., & Lensu, A.
paisaje, topografa y geodiversidad, y para comparar tres diferentes tipos de
(2016). The role of
paisaje variables en el modelado de riqueza de especies. Por otra parte, se
landscape, topography, Riqueza de
prob si los resultados difieren cuando se consideran solamente las especies
and geodiversity in especies en
nativas. Se utiliz un modelo lineal generalizado de particin basada en la
explaining vascular plant funcin de la
variacin y modelos aditivos generalizados con diferentes conjuntos de
species richness in a topografay la
48 variables explicativas. El paisaje y la topografa explicaron la mayor parte de Organizacin
fragmented landscape. geodiversidad
la variacin, pero la importancia relativa de la topografa y la geodiversidad
BOREAL
fue de ms importancia en la explicacin de que la riqueza de especies (CLC
ENVIRONMENT
nativas que en la explicacin de la riqueza total de especies. Las diferencias DEM)
RESEARCH, 21, 5370.
entre las tres variables de tipo de paisaje fueron pequeas y proporcionaron
Retrieved from
informacin complementaria. Por ltimo, la topografa y la geodiversidad
http://www.borenv.net/BE
menudo dirigen la accin humana y pueden ser causas ltimas detrs de la
R/pdfs/ber21/ber21-
variabilidad del paisaje y los patrones de riqueza de especies. (Rsnen et
053.pdf
al., 2016)
77
http://doi.org/10.1002/rse de plantas, y proporcionar, por primera vez, una visin general de los peligros
2.9 potenciales asociados con el uso indebido de las imgenes de satlite para
predecir la diversidad de especies. Nuestro trabajo muestra que, mientras que
la evaluacin de la diversidad alfa es relativamente sencillo, el clculo de la
diversidad beta (variacin en la composicin de especies entre los lugares
adyacentes) es un reto, por lo que es difcil estimar con fiabilidad la diversidad
gamma (diversidad total en el paisaje o regional nivel). Llegamos a la
conclusin de que se necesita una mayor colaboracin entre las comunidades
cientficas de la teledeteccin y la biodiversidad con el fin de abordar
adecuadamente los desafos y desarrollos futuros. (Rocchini et al., 2016)
Sun, Y., Piao, S., Huang, Para investigar cmo la eficiencia del ecosistema del uso del agua (WUE)
M., Ciais, P., Zeng, Z., vara espacialmente en diferentes condiciones climticas, y cmo las
Cheng, L., Zeng, H. variaciones espaciales en el WUE difieren de la transpiracin-base del uso
(2016). Global patterns eficiente del agua (WUEt) y la transpiracin-base del uso eficiente inherente
and climate drivers of del agua (IWUEt)
water-use efficiency in
terrestrial ecosystems El WUE, WUEt e IWUEt producen diferentes relaciones espaciales con las Uso del agua en
50 deduced from satellite- variables climticas. En los ecosistemas secos, las prdidas de agua por los ecosistemas Organizacin
based datasets and evaporacin desde el suelo desnudo, sin correlacin con la productividad, terrestres
carbon cycle models. tienden a hacer que los WUE sean ms bajos que en las regiones ms
Global Ecology and hmedas. Sin embargo, la conductancia del dosel es intrnsecamente
Biogeography, 25(3), eficiente en esos ecosistemas y mantiene un alto IWUEt. Esto sugiere que
311323. las respuestas de cada componente de flujo de evapotranspiracin deben
http://doi.org/10.1111/ge analizarse por separado en la investigacin de los gradientes regionales en
b.12411 el WUE, su variabilidad temporal y sus tendencias (Sun et al., 2016)
Wilkes, P. T. V. (2016, La atribucin de la estructura del bosque forma parte integrante de las
January 13). Assessment obligaciones de vigilancia e informacin internacional con respecto a la Tcnicas de
of forest canopy vertical gestin sostenible de los bosques. Por otra parte, la informacin detallada teledeteccin
structure with multi-scale sobre la estructura del bosque permite a los administradores de tierras para el manejo
51 remote sensing: from the forestales y cientficos para determinar la capacidad de los bosques para Organizacin
forestal
plot to the large area. proporcionar servicios de los ecosistemas. Actualmente, la atribucin de
University of Twente, bosque se consigue utilizando una red de parcelas de inventario forestal Lidar
Enschede, The visitadas peridicamente. Este enfoque comprende una muestra escasa,
Netherlands. Retrieved tanto temporal como espacialmente, que pueden no captar la variacin en la
78
from estructura del bosque. Esto es particularmente cierto en los bosques nativos
http://www.itc.nl/library/p dinmicos donde la variabilidad en la estructura del bosque puede ser alto.
apers_2016/phd/wilkes.p En los ltimos aos gracias a la capacidad de las tcnicas de teledeteccin
df ha realizado para aplicaciones de manejo forestal sostenible. Las ventajas de
un enfoque de teledeteccin incluyen sinptica y cobertura temporal alta, as
como la reduccin de costes para el usuario final. Por otra parte, el reciente
avance en los sensores activos, tales como Light Detection and Ranging
(LIDAR) han permitido la medicin de bosque tridimensionalmente detallando
la estructura en amplias zonas. (Wilkes, 2016)
79
obtener un mejor conocimiento de la dinmica de la vegetacin post fuego
sobre grandes regiones y perodos de tiempo largos.(Daz-Delgado, Lloret,
Pons, & Terradas, 2002)
80
utilizarse para valorar y controlar los cambios en los servicios de los
ecosistemas? Cmo puede la teledeteccin ser utilizada para monitorear y
evaluar la eficacia de los esfuerzos de conservacin? De qu manera la
expansin e intensificacin de la agricultura y la acuicultura alteran los
ecosistemas y los servicios que prestan? Cmo pueden los sensores
remotos utilizarse para determinar el grado en que los ecosistemas estn
siendo alterados o degradados y los efectos de estos cambios en las especies
y funciones de los ecosistemas? (Rose et al., 2015)
81
Este estudio examina cmo los datos de series temporales del verdor de la
vegetacin basados en satlites y las mediciones fenolgicos se pueden
utilizar para monitorear y cuantificar la recuperacin de la vegetacin tras los
disturbios de incendios forestales y examinar cmo las trayectorias de
recuperacin de la severidad del fuego pre-fuego de reduccin de
combustible tratamientos de restauracin impacto y la vegetacin impacto.
Fueron elegidos, pares de sitios de incendios forestales afectados y un sitio
de referencia no quemado en las inmediaciones, para medir la recuperacin
posterior a la perturbacin en relacin con la variacin del clima. Todos los
pares de estaciones fueron elegidos en las tierras altas forestales en Arizona
y se limitaron a la zona del incendio de Rodeo-Chediski que se produjo en
2002. Los tratamientos de reduccin de combustible se realizaron en 1999 y
van Leeuwen, W. J. D. 2001. Las dinmicas de las vegetaciones inter-anuales y estacionales antes,
(2008). Monitoring the durante y despus de los incendios forestales pueden ser monitorizadas Enfoque para
Effects of Forest evaluar los
utilizando una serie temporal de cada dos semanas compuesta MODIS-NDVI
Restoration Treatments (imgenes de resolucin moderada de espectrorradimetro ndice de cambios en la
on Post-Fire Vegetation Diferencia normalizada Vegetation) de datos. Los mtodos de anlisis de dinmica de la
55 Recovery with MODIS series temporales incluyen mtricas de diferencia, filtros de suavizado y vegetacin post- Resiliencia
Multitemporal Data. incendio
funciones de ajuste que se aplicaron para extraer cambio estacional e
Sensors, 8(3), 2017 interanual y mtricas fenolgicos a partir de los datos de series temporales NDVI
2042. de NDVI de 2000 a 2007. Antes y datos de Landsat post-incendio se utilizaron
http://doi.org/10.3390/s80 para calcular el ndice de Proporcin normalizada de incendio (NBR) y MODIS
32017 examinar la gravedad de la quemadura en los sitios seleccionados. Las
mtricas fenolgicos (feno-mtrica) incluyen la sincronizacin y verdor (es
decir NDVI) para el inicio, pico y final de la temporada de crecimiento, as
como medidas representativas de la tasa de reverdecimiento y la senescencia
y la productividad anual de la vegetacin. Los tratamientos de reduccin de
combustible previa al incendio provocado gravedad de los incendios ms
baja, lo que redujo la productividad anual mucho menor que las reas no
tratadas dentro del permetro del incendio de Rodeo-Chediski. Las mtricas
de temporada demostraron ser tiles para estimar la tasa de recuperacin de
las perturbaciones post-incendio y el momento de las fases fenolgicas de
verdor. El uso de datos de series de tiempo de NDVI por satlite y derivados
fenotipos-mtricas muestran potencial para el seguimiento de la dinmica de
la cobertura vegetal y los cambios de sucesin en respuesta a la sequa, las
82
perturbaciones de los incendios forestales, y los tratamientos de restauracin
forestal en los bosques ha suprimido el fuego.(van Leeuwen, 2008)
83
de datos de uso del suelo actual (escala 1:10.000) hace que sea un mejor
candidato para la evaluacin de la salud del ecosistema que los recursos de
datos tradicionales. Este estudio tambin demuestra los numerosos
beneficios de la combinacin de bases de datos de uso de la tierra con las
funciones de SIG para evaluar la salud de los ecosistemas a escala de
condado (Yu et al., 2013)
84
debido a la supresin del crecimiento de la vegetacin por la sequa. (Zhou
et al., 2014)
Running, S. W., Nemani, Hasta hace poco, el control continuo de la productividad global de la
R. R., Heinsch, F. A., vegetacin no ha sido posible debido a las limitaciones tecnolgicas. En este GPP y NPP
60 Zhao, M., Reeves, M., & artculo se presenta un nuevo monitor base satelital de la biosfera mundial Vigor
Hashimoto, H. (2004). A que calcula regularmente la produccin primaria bruta diaria (GPP) y la MODIS
continuous satellite- produccin primaria neta anual (NPP) a 1 kilmetros (km) de resolucin sobre
derived measure of 109782756 km2 de superficie de tierras con vegetacin. Se resume la historia
85
global terrestrial primary de la ciencia mundial del NPP, as como la derivacin de este clculo, y la
production. BioScience, actividad de produccin de datos actual. Los primeros datos sobre la NPP de
54(6), 547560. la EOS (Earth Observing System) MODIS (espectrorradimetro de imgenes
Retrieved from de resolucin moderada) del sensor son presentados con diferentes tipos de
https://www.scopus.com/ validacin. Ofrecemos ejemplos de cmo este nuevo tipo de conjunto de
record/display.uri?eid=2- datos puede servir a la ciencia ecolgica, gestin de la tierra, y la poltica
s2.0- ambiental. Para mejorar el uso de estos datos por los no especialistas, ahora
2942618334&origin=inwa estamos produciendo mapas de anomalas mensuales de GPP y NPP anual
rd&txGid=0 que comparan el valor actual con un valor promedio de 18 aos para cada
pxel, identificando claramente las regiones donde el crecimiento de la
vegetacin es ms alta o ms baja de lo normal. (Running et al., 2004)
86
Las Islas de los Cayos de Florida tenan niveles ms altos de especies
leosas de las plantas de riqueza que los sitios del continente. Hubo una
relacin positiva significativa entre el promedio de NDVI para los nueve
pxeles sobre cada unidad y la unidad de riqueza de especies, y una relacin
negativa entre la riqueza de especies y la desviacin estndar del NDVI para
los nueve pixeles sobre cada unidad.
Ariza, A., Garcia, S., El siguiente articulo describe el prototipo de un modelo automtico de Modelo CAIN
Rojas, S., & Ramirez D., correccin de imgenes de satlite para la extraccin automtica de cuerpos ndices
63
M. (2014). Desarrollo de de agua, denominado: CAIN (Correccin Atmosfrica e ndices de Fisher espectrales
un modelo de correccin inundacin), desarrollado bajo plataforma de procesamiento del Software PCI
87
de imgenes de satlite Geomatica 2013 en el marco de la asistencia tcnica prestada a la
para inundaciones: Corporacin Colombiana de Investigacin Agropecuaria (CORPOICA) y que
(CAIN -Correccin a su vez se hace parte de la iniciativa de la red UN-SPIDER1 para el manejo
Atmosfrica e ndices de de la informacin espacial para la gestin y respuestas a desastres y
Inundacin). Centro de emergencias. El modelo CAIN permite automatizar procesos tales como la
Investigacin Y conversin de niveles digitales (NDs) a unidades absolutas de radiancia
Desarrollo En espectral (Lsat) y reflectancia real de superficie (REF). Proporcionando una
Informacin Geogrfica base para la comparacin estandarizada de datos tanto en una escena como
Del IGAC -CIAF, 110. entre imgenes adquiridas de diferentes fechas y sensores, con el fin de
Retrieved from determinar mediante tcnicas de teledeteccin los niveles y reas inundadas
http://www.un-spider.org/ analizadas a travs de ndices radiomtricos de vegetacin y agua. Este
trabajo se confirma como una gran herramienta en el anlisis y comparacin
de cuerpos de agua, a la vez que permite la elaboracin de mapas de cambio
para determinar las reas afectadas por inundaciones, aportando con ello una
valiosa informacin a los gestores para la caracterizacin y conocimiento del
estado actual de los efectos de cambio climtico. (Ariza, Garcia, Rojas, &
Ramirez D., 2014)
88
resultado, el NDWI es sensible a los cambios en contenido de agua del dosel
de la vegetacin. Los efectos de la dispersin del aerosol atmosfrico en la
regin de 0,86 a 1,24 m son dbiles. El NDWI es menos sensible a los
efectos atmosfricos que el NDVI. El NDWI no elimina por completo los
efectos de reflectancia fondo de suelo, similar a NDVI. Debido a que la
informacin sobre el dosel de la vegetacin contenida en el canal 1,24 m es
muy diferente de la contenida en el canal rojo cercano a 0,66 m; el NDWI
debe ser considerado como un ndice de vegetacin independiente. Es
complementario, y no un sustituto de NDVI. (Gao, 1996)
89
Una tcnica de transformacin se presenta para minimizar las influencias de
brillo del suelo a partir de los ndices espectrales de vegetacin que implican
longitudes de onda roja e infrarroja cercana (NIR). Grficamente, la
transformacin implica un desplazamiento del origen de los espectros de
Huete, A. R. (1988). A reflectancia trazada en el espacio de longitudes de onda NIR-Rojo para dar
soil-adjusted vegetation cuenta de primer orden interacciones suelo-vegetacin y la diferencial roja y
index (SAVI). Remote NIR flujo de extincin a travs de dosel de la vegetacin. Para los doseles del
ndices
66 Sensing of Environment, algodn (Gossypium hirsutum L. var DPI-70) y una variedad de pastos SAVI
espectrales
25(3), 295309. (Eragrostics lehmanniana Nees), sustentada con diferentes orgenes del
http://doi.org/10.1016/00 suelo, la transformacin casi se elimin las variaciones del suelo inducida en
34-4257(88)90106-X los ndices de vegetacin. Posteriormente, se presenta una base fsica para
el ndice de vegetacin ajustado al suelo (SAVI). El SAVI result ser un paso
importante hacia el establecimiento de simple modelo "global" que puede
describir el sistema suelo-vegetacin dinmico a partir de datos obtenidos por
teledeteccin. (Huete, 1988)
90
Los ndices espectrales de vegetacin han sido los principales recursos para
la caracterizacin de la vegetacin herbcea con base en los datos de
teledeteccin. Sin embargo, el uso de ndices espectrales para la
caracterizacin de la vegetacin en las praderas ha sido cuestionado por los
efectos de confusin de los factores externos, tales como las propiedades del
suelo, materiales muertos, y el sombreado de coberturas vegetales. Los
materiales muertos se refieren al componente de la vegetacin muerta,
incluidos la hojarasca cada y las hierbas muertas acumuladas de aos
anteriores. Los materiales muertos abundantes han estado presentando
desafos para estimar con precisin la vegetacin verde utilizando ndices
espectrales de vegetacin (VIs) derivados de los datos de teledeteccin en Respuesta
los pastizales mixtos. Por lo tanto, es necesario una investigacin cerca de la espectral de VIs
Yang, X., & Guo, X. relacin entre VIs y materiales muertos. Las relaciones identificadas podran a materiales
(2014). Quantifying proporcionar una mejor comprensin de no slo el uso de datos de muertos en
responses of spectral teledeteccin para la estimacin cuantitativa de materiales muertos, sino pastos
vegetation indices to tambin la mejora de la estimacin de la vegetacin verde en la pradera mixta
dead materials in mixed que tiene una alta proporcin de materiales muertos. En este artculo, la NDVI ndices
68 reflectancia espectral de materiales muertos y mezclas de vegetacin verde MSAVI
grasslands. Remote espectrales
Sensing, 6(5), 4289 y cobertura de material muerto se midieron en pastizales mixtos, situados en SAVI
4304. el Grassland National Park (GNP), Saskatchewan, Canada. Nueve VIs se ATSAVI
http://doi.org/10.3390/rs6 derivaron de la reflectancia espectral medida. La relacin entre la cobertura y L-ATSAVI
054289 el material muerto en los VIs se cuantific utilizando el modelo de regresin EVI
y anlisis de sensibilidad. Los resultados indicaron que la relacin entre la WDVI
cobertura de material muerto y el VIs est una funcin de la cantidad de TVI
cobertura de material muerto. Se encontr una relacin positiva dbil entre
VIs y los materiales muertos donde la cobertura era inferior al 50%, y una
alta relacin negativa significativa evidente cuando la cobertura fue mayor del
50%. Cuando se aplic el modelo exponencial y lineal combinado para
adaptarse a las relaciones negativas, la variacin ms del 90% en la
cobertura de material muerto podra explicarse por VIs. El anlisis de
sensibilidad se aplic adems a los modelos desarrollados, lo que indica que
las sensibilidades de todos los VIs fueron significativas en todo el rango de
cobertura de material muerto a excepcin del ndice de vegetacin triangular
(TVI), que tiene una sensibilidad insignificante cuando la cobertura material
muerto fue mayor que 94%. Entre todos los VIs, el ndice de vegetacin de
91
diferencia ponderada (WDVI) present la mayor sensibilidad a los cambios
en el material muerto de cobertura superior al 50%. Los resultados de este
estudio indicaron que los ndices de vegetacin sobre la base de la
combinacin de la reflectancia en bandas rojas y NIR se pueden utilizar para
estimar la cobertura material muerto que es mayor que 50%. (Yang & Guo,
2014)
Libonati, R., de Portugal A pesar de la Amazonia brasilea, junto con la regin del Cerrado presenta Anlisis de zonas
e Castro da Camara, C. uno de los mayores nmeros de ocurrencias de eventos de fuego, casi no quemadas
do C., Pereira, J. M. C., hay estudios con el objetivo de disear el rea quemada (BA) indicadores ndices
70
& de Faria Peres, L. especficamente para esta regin se han intentado. Este tema es de particular VW espectrales
(2011). Discriminating inters ya que la exactitud de los mapas de BA est estrechamente NDVI
burned areas in Amazon relacionado con las caractersticas del lugar (por ejemplo, pre-fuego tipo y las VI20
92
and Cerrado regions condiciones de cobertura de suelo, suelo de fondo, la severidad del fuego, los BAI20
using MIR/NIR procesos de post-incendio, y las condiciones atmosfricas) y Adems, los GEMI
information. Anais XV umbrales de ndice son a menudo subjetivos o varan de una regin a otra. GEMI20
Simpsio Brasileiro de De acuerdo con ello, un nuevo ndice espectral, diseado especficamente
Sensoriamento Remoto, para la discriminacin de la tierra quemada en las regiones Amazonas y
(Pereira 1999), 8020 Cerrado utilizando el dominio espectral media / infrarrojo cercano, fue
8027. Retrieved from probado en conjuntos de imgenes de resolucin moderada (MODIS). La
http://marte.dpi.inpe.br/co utilidad del nuevo ndice de discriminacin de tierra quemada se evalu frente
l/dpi.inpe.br/marte/2011/0 a otros ndices espectrales ampliamente usados: ndice de Vegetacin de
6.30.12.48/doc/p1044.pdf Diferencia Normalizada (NDVI), ndice de rea Quemada (BAI) y ndice
\npapers3://publication/u Global de Monitoreo Ambiental (GEMI), definido en el espacio de Red/ NIR;
uid/F5C4EBA4-1C45- y la versin modificada por ellos, a saber VI20, BAI20 y GEMI20 define en el
47A9-83D5- espacio medio / infrarrojo cercano del sensor MODIS. La capacidad de cada
8CDDC36C8451 ndice para discriminar entre las superficies quemadas y no quemadas se
evalu por medio de un ndice de discriminacin. El nuevo propuesto (V, W)
ndice funciona mejor que los ndices tradicionales en los tres casos
analizados, con la ventaja de que no requieren mscaras de agua, lo que no
es cierto para los ndices restantes. (Libonati, de Portugal e Castro da
Camara, Pereira, & de Faria Peres, 2011)
93
Desarroll un mtodo directo para estimar la humedad del combustible fino
(LFFM), por la alta resolucin de las mediciones de reflectancia de plantas
terrestres en las regiones visible e infrarrojo cercano. El NDVI y WI (R970 /
R900) fueron los ndices de reflectancia utilizados debido a que proporcionan
la mejor estimacin de LFFM. El rendimiento del mtodo se evalu (1) por
medicin mensual de la reflectancia de las plantas y LFFM en plantas adultas
Piol, J., Filella, I., que crecen en el campo, y (2) en un experimento llevado a cabo la desecacin
Ogaya, R., & Peuelas, con las plantas de semillero en macetas en un tnel de plstico. Las especies
J. (1998). Ground-based estudiadas en el sitio de campo consistieron en dos arbustos de races Mtodo para la
spectroradiometric profundas (Arbutus unedo y Quercus coccifera), dos arbustos de poca estimacin de la
estimation of live fine fuel profundidad de races (Cistus albidus y C. monspeliensis), y una hierba humedad del
moisture of (Brachypodium retusum). Las especies estudiadas en condiciones combuistible fino ndices
72
Mediterranean plants. experimentales fueron dos rboles (Pinus halepensis y P. ilex), y seis directo espectrales
Agricultural and Forest arbustos (Arbutus unedo, Q. coccifera, C. albidus, C. monspeliensis, Phillyrea
Meteorology, 90(3), 173 angustifolia, y Pistacia lentiscus). Durante la desecacin, la cubeta 970 nm NDVI
186. tiende a desaparecer (por consiguiente, el WI aumenta), y la reflectancia en WI
http://doi.org/10.1016/S0 el rojo aument (en consecuencia, el NDVI disminuye). Los dos ndices de
168-1923(98)00053-7 reflectancia NDVI y WI se correlacionaron significativamente con LFFM
cuando todas las especies se consideran en conjunto y dentro de la mayor
parte de las especies individuales, tanto en el campo como en las plantas de
semillero en macetas. Proponemos un mtodo que consiste en una sencilla
medicin de la reflectancia de la planta en el radimetro a 680, 900 y 970 nm,
que podran acelerar la medicin de LFFM, y que podra ser til en la
evaluacin del riesgo de incendios (Piol, Filella, Ogaya, & Peuelas, 1998)
94
7. METODOLOGA
95
7.1. ndices Espectrales Seleccionados.
7.1.1. NDVI
Planteado por Rouse & Hass (1973), el ndice de Vegetacin de Diferencia Normalizada,
es el VIs ms utilizado para determinar el vigor vegetal de una zona (Chuvieco, 2010).
=
+
Dnde y indican las reflectividades de los pixeles en la banda del infrarrojo cercano
y del rojo respectivamente.
Un aspecto de gran inters del NDVI, es que vara entre unos mrgenes conocidos, entre -
1 y +1, lo que facilita su interpretacin; se puede sealar como un umbral crtico para
coberturas vegetales un valor de NDVI en torno a 0.1 y para la vegetacin densa entre 0.5
y 0.7 (Holben, 1986; citado en Chuvieco, 2010).
Entre los parmetros que se han relacionado con el NDVI se encuentran (Chuvieco,
2010):
I. El contenido de clorofila en la hoja, es la variable ms directamente relacionada con
este ndice, ya que la absorcin de la banda R, est ntidamente influida por este
parmetro, mostrando una relacin linealmente positiva con la cantidad de clorofila
en la hoja.
III. Flujo neto de CO2 tanto a nivel local (Hall et al., 1991), como global (Tucker et al,
1986).
IV. Radiacin fotosintticamente activa absorbida por la planta, fPAR, con una relacin
directa casi lineal (Asrar et al., 1989), especialmente cuando las hojas son
horizontales y el suelo es suficientemente oscuro (Seller, 1989)
VI. ndice de rea Foliar, LAI, que representa una asociacin positiva con el NDVI,
especialmente cuando la vegetacin no cubre totalmente el suelo, ya que ciertos
valores de LAI (por encima de 4 habitualmente), el NDVI se satura (Baret, 1995;
Seller, 1989).Relacionado con el LAI, se ha comprobado una alta correlacin entre
NDVI y porcentaje de cobertura verde (Kennedy et al., 1994; Kerr et al., 1992)
96
7.1.2. SAVI
7.1.3. MSAVI
El ndice de Vegetacin Suelo-Atmosfera propuesto por Qi, Kerr, et al., (1994), el cual
combina el MSAVI y el ARVI
97
(2 + 1)2 [(2 + 1)2 8( )]
=
2
7.1.7. GEMI
El Global Environmental Monitorin Index, fue formulado especficamente para reducir los
efectos relativos de las perturbaciones atmosfricas no deseados, manteniendo al mismo
tiempo la informacin acerca de la cobertura vegetal (Pinty & Verstraete, 1992)
(1 0.25 ) ( 0.125)
=
(1 )
Dnde:
2 ( 2 2 ) + 1.5 + 0.5
=
+ + 0.5
Segn Pinty & Verstraete (1992), el GEMI varia aproximadamente entre 0 y +1 sobre reas
continentales, cuando el SR tiene rangos entre +1 y su valor ms alto, o cuando el NDVI
vara entre 0 y +1. El ndice es calculado a partir de mediciones en la parte superior de la
atmsfera, por lo tanto es a la vez (1) ms til para comparar las observaciones en diversas
condiciones atmosfricas y de iluminacin, y (2) mediciones ms representativas de las
condiciones reales de la superficie que SR o NDVI sobre la mayor parte de la gama del
estado de la vegetacin (Pinty & Verstraete, 1992)
7.1.8. SR
El Cociente de Vegetacin (Krieger et al., 1969), el cual es una relacin entre la reflectancia
del NIR contra la reflectancia del Rojo
=
7.1.9. NDWI
98
7.1.11. GARI
[ ( )]
= Y =1
+[ ( )
7.1.12. SARVI2
2.5 ( )
2 =
(1 + + 6 7.5 )
99
NDVI
(Gitelson et al., Tcnica para la estimacin del LAI
VARI
2003) en cultivos de maz
LAI
Modificacin del NDVI para anlisis
y cartografa de la distribucin
(Gitelson, 2004) temporal y espacial de las WDRVI
caractersticas fisiolgicas de la
vegetacin
(Jackson et al., Proporcionar una estimacin VWC NDVI
2004) (contenido de agua de vegetacin) NDWI
Relacin del NDVI y LAI en bosques NDVI
(Q. Wang et al., 2005)
deciduos LAI
NDVI
(Kemerer, A.; Di
evaluar la sensibilidad de distintos GNDVI
Bella, C.; Melchiori,
ndices espectrales al ndice de rea MSAVI
R.; Benech, A.; y
Foliar (LAI) en canopeos de maz REIP
Alvarez, 2007)
R/R
SVI / RVI (SR)
RAT57
NDVI
TVI
DVI
PVI
Examen de ndices de vegetacin WDVI
(VIs) en la estimacin de saltbush SAVI
(Y. Chen & Gillieson,
(arbustos salinos) y la cobertura total IPVI
2009)
de la vegetacin en ambientes de SAVI2
pastizales semiridos MSAVI
SRVI
SRVI2
SRVI3
MVI
MVI2
MVI3
Examen de la diferencia cuantitativa
entre la NPP y el NDVI en sus NDVI
(C. Xu et al., 2012)
resultados de la evaluacin del vigor NPP
de la vegetacin a escala de paisaje
Uso de ndices espectrales y la NDVI
textura de las imgenes para la RVI
(Gu et al., 2013)
determinacin de la VFC (fraccin SAVI
de cobertura vegetal) ARVI
La bsqueda y descarga de imgenes se hizo a travs del servicio del Earth Explorer
perteneciente a U.S. Geological Survey, seleccionando dos imgenes del sensor Landsat
100
8, una para la poca de invierno y otra para verano (Tabla 11). La seleccin de las escenas
(Imagen 9 e Imagen 10) se realiz teniendo en cuenta la climatologa predominante de la
Sierra Nevada de Santa Marta (Arango et al., 2014; D. Guzmn et al., 2014)
Tabla 11. Informacin de las imgenes satelitales utilizadas. Fuente: (U.S. Geological Survey (USGS) Earth Resources
Observation and Science (EROS) Center, 2016a, 2016b)
Invierno Verano
101
Imagen 9. poca Invierno; Landsat 8, 09-52, 2013-11-21, color real con mejoramiento adaptativo en el software PCI 2015.
Fuente: Autor
102
Imagen 10. poca Verano; Landsat 8, 09-52, 2016-01-14, color real con mejoramiento adaptativo en el software PCI 2015.
Fuente: Autor
Los datos fueron descargados a travs del servicio Earth Explorer adscrito al U.S.
Geological Survey. Los DEMs SRTM 1 Arc-Second Global, son de una resolucin de 30
metros aproximadamente (Imagen 11). Se descargaron cuatro imgenes en formato .TIFF
para la cobertura total de la zona. En la Tabla 12, se evidencian los detalles de las
imgenes. Posteriormente se realiz un mosaico con las cuatro imgenes, subsanando los
vacos de informacin con la interpolacin de datos de elevacin, para disminuir el error por
ausencia de datos.
103
Tabla 12. Informacin DEM's. Fuente: (U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), &
National Aeronautics and Space Administration (NASA), 2016a, 2016b, 2016c, 2016d)
Cdigo Fecha de Adquisicin Resolucin
SRTM1N11W075V3 11-FEB-2000 1-Arc ( 30 m)
SRTM1N11W074V3 11-FEB-2000 1-Arc ( 30 m)
SRTM1N10W075V3 11-FEB-2000 1-Arc ( 30 m)
SRTM1N10W074V3 11-FEB-2000 1-Arc ( 30 m)
Imagen 11. Mosaico del Modelo Digital de Elevacin de la Sierra Nevada de Santa Marta. Visualizacin en software ArcGIS
10.3. Fuente: Autor.
104
7.3. Correcciones de la Imagen
Los datos del sensor Landsat 8 descargables de nivel L1T (Productos de Nivel 1 Terrain)
consisten en productos de datos L1R (Productos de Nivel 1 Radiometric) con correcciones
geomtricas sistemticas aplicadas, utilizando para ello puntos de control terrestre (GCP)
o informacin de posicin integrada a bordo para entregar una imagen registrada a una
proyeccin cartogrfica, referenciada a WGS84, G873, o a su versin actual.
Adicionalmente los datos tambin contienen una correccin topogrfica por el
desplazamiento del terreno debido al relieve (Ariza, 2013).
Imagen 12. Invierno, sin correccin atmosfrica. Falso Imagen 13. Invierno, ATCOR3. Falso Color Landsat 8
Color Landsat 8 Bandas 5/4/3 Fuente: Autor Bandas 5/4/3. Fuente: Autor
105
Imagen 15, se observan las imgenes de la poca de invierno y verano, despus del
proceso de extraccin de nubes y cuerpos de agua.
Imagen 14. Escena invierno. Falso color 5/4/3. Fuente: Imagen 15. Escena verano. Falso color 5/4/3. Fuente:
Autor Autor
El corte del rea de procesamiento se realiz a partir del shape del rea del PNN Sierra
Nevada de Santa Marta obtenido del servicio de informacin geogrfica del ANLA
(http://sig.anla.gov.co:8083/); discriminando entre los Orobiomas de la Selva Andina,
Subandina y el Orobioma de pramo (Imagen 16); este ltimo excluido del estudio puesto
presenta unas condiciones particulares de vegetacin, que no son representados a travs
de los ndices de vegetacin usuales como lo presentan Arenas y Nieto (2015). El corte del
rea es realizado para minimizar el uso de recursos del hardware, ya que la operacin
completa de las imgenes satelitales implica una alta capacidad de procesamiento
El clculo de ndices de Vegetacin se realiz a travs del Software PCI Geomtica con la
herramienta EASY model, permite realizar operaciones matemticas entre las diferentes
bandas de una imagen raster con formato PCIDSK FILE (.pix), obteniendo los siguientes
resultados para las imgenes de invierno y verano (Tabla 13).
106
Imagen 16. rea del PNN Sierra Nevada de Santa Marta y Tipos de Biomas de la zona. Fuente: Autor.
107
Tabla 13. ndices Espectrales de Vegetacin. Fuente: Autor
108
SAVI Invierno - Verano
109
MSAVI Invierno - Verano
110
ARVI Invierno - Verano
111
SARVI Invierno - Verano
112
ASVI Invierno - Verano
113
GEMI Invierno - Verano
114
SR Invierno - Verano
115
NDWI Invierno - Verano
116
GNDVI Invierno - Verano
117
GARI Invierno - Verano
118
SARVI2 Invierno - Verano
119
7.7. Segmentacin de la Informacin en funcin de los Biomas
La Informacin de invierno y verano fue dividida a partir del nivel 3 de la Capa CLC, con las
herramientas de anlisis de imgenes del software ArcGIS 10.3., para su posterior anlisis
estadstico.
120
8. ANLISIS DE RESULTADOS
Los resultados de los ndices espectrales calculados para las pocas de invierno y verano,
se les realiz un diferencia de los valores promedio de la totalidad del rea de trabajo, como
luego se procedi de la misma forma en la divisin por biomas y en la clasificacin CLC;
finalmente se realiz una divisin teniendo en cuenta los biomas y la clasificacin CLC. A
continuacin se presenta los resultados de las diferencias de promedio:
121
SARVI2 0,3139 34,5854 0,1086 -0,1052 0,8408
Los ndices espectrales que mayor cambio presentaron fueron el MSAVI, SARVI, ASVI y
SARVI2; con valores de 11,94%, 14,57%, 14,70% y 14,20% respectivamente como se
evidencia en la Tabla 16; sin embargo, los ndices espectrales con menor desviacin
estndar en los periodos de invierno y verano son GNDVI y GARI (Tabla 14 y Tabla 15).
Los ndices espectrales que menor sensibilidad presentaron fueron el NDVI, GNDVI, NDWI,
GEMI y SR, con valores de 4, 36%, 0,72%, 0,72%, 6,06% y 6,92% respectivamente (Tabla
16); ellos muestran una menor variacin al cambio de las condiciones climticas y
vegetales.
Invierno
Orobioma Alto de Santa Orobioma Medio de Santa Orobioma Bajo de
Marta Marta Santa Marta y Macuira
X S X S X S
NDVI 0,5123 0,0873 0,5632 0,0948 0,6159 0,0783
SAVI 0,2905 0,0893 0,3299 0,0996 0,3750 0,0930
MSAVI 0,6145 0,2473 0,6967 0,2661 0,7966 0,2607
ARVI 0,4851 0,0972 0,5383 0,1063 0,5912 0,0907
SARVI 0,2629 0,0899 0,3017 0,1017 0,3419 0,0963
ASVI 0,5839 0,2426 0,6635 0,2626 0,7552 0,2579
GEMI 0,5966 0,1172 0,6333 0,1235 0,6785 0,1143
SR 3,2391 0,7896 3,7959 1,0272 4,4124 1,0379
122
NDWI -0,5104 0,0733 -0,5551 0,0779 -0,6037 0,0624
GNDVI 0,5104 0,0733 0,5551 0,0779 0,6037 0,0624
GARI 0,4380 0,0829 0,4807 0,0912 0,5186 0,0794
SARVI2 0,3180 0,1101 0,3586 0,1206 0,4005 0,1129
Tabla 18. . Valores de VIs para los biomas en Verano. Fuente: Autor.
Verano
Orobioma Alto de Santa Orobioma Medio de Santa Orobioma Bajo de
Marta Marta Santa Marta y Macuira
X S X S X S
NDVI 0,5170 0,1000 0,5488 0,1022 0,5887 0,0895
SAVI 0,2858 0,0931 0,3072 0,0993 0,3436 0,0942
MSAVI 0,5847 0,2299 0,6249 0,2420 0,7102 0,2420
ARVI 0,4790 0,1164 0,5017 0,1265 0,5400 0,1147
SARVI 0,2493 0,0943 0,2607 0,1028 0,2886 0,0986
ASVI 0,5449 0,2242 0,5733 0,2370 0,6462 0,2368
GEMI 0,5823 0,1128 0,6000 0,1190 0,6407 0,1136
SR 3,3198 0,8871 3,6553 1,0071 4,0799 1,0314
NDWI -0,5241 0,0822 -0,5619 0,0805 -0,6086 0,0657
GNDVI 0,5241 0,0822 0,5619 0,0805 0,6086 0,0657
GARI 0,4257 0,0969 0,4351 0,1039 0,4629 0,0930
SARVI2 0,2988 0,1060 0,3107 0,1106 0,3404 0,1044
Tabla 19. Diferencia entre los biomas en las temporadas de invierno - verano. Fuente: Autor.
123
El rea de estudio fue segmenta en 3 biomas: Orobioma Alto de Santa Marta (OASM),
Orobioma Medio de Santa Marta (OMSM) y Orobioma Bajo de Sata Marta y Macuira
(OBSMM) (Tabla 17 y Tabla 18). Los ndices espectrales que mayores variaciones
presentaron fueron ASVI (6,69%), SARVI2 (6,03%) y SARVI (5,18%) y los que menos
variaciones presentaron fueron el NDVI (-0,92%) SAVI (1,61%) y ARVI (1,26%) para el
OASM, como se evidencia en la Tabla 19. En el OMSM los VIs con mayor cambio son ASVI
(13,58%), SARVI (13,56%), SARVI2 (13,35%), y MSAVI (10,30%) y los de menor
sensibilidad son GNDVI (-1,22%), NDWI (-1,22%), NDVI (2,55%), SR (3,70%). Finalmente
en el OBSMM los ndices que presentan mayor diferencia a los periodos de invierno y
verano son SARVI (15,61%), SARVI2 (15,02%), y ASVI (14,44%); siendo GNDVI (-0,81%),
NDWI (-0,81%) y el NDVI (4,42%).
Tabla 21. Comparacin de los ndices en la clase CLC 242. Fuente: Autor.
242 Mosaico de pastos y cultivos
Invierno Verano Diferencia Porcentaje
ndices X S X S
NDVI 0,6333 0,0582 0,6001 0,0792 0,0332 5,24
124
SAVI 0,4263 0,0548 0,3766 0,0724 0,0497 11,65
MSAVI 0,9755 0,1722 0,8194 0,1989 0,1561 16,00
ARVI 0,6127 0,0677 0,5700 0,0928 0,0427 6,98
SARVI 0,3923 0,0608 0,3350 0,0763 0,0573 14,61
ASVI 0,9298 0,1716 0,7677 0,1945 0,1621 17,44
GEMI 0,7598 0,0634 0,6947 0,0845 0,0651 8,56
SR 4,5907 0,8813 4,1754 0,9087 0,4153 9,05
NDWI -0,5992 0,0542 -0,5909 0,0649 -0,0082 1,38
GNDVI 0,5992 0,0542 0,5909 0,0649 0,0082 1,38
GARI 0,5248 0,0718 0,4925 0,0795 0,0323 6,15
SARVI2 0,4700 0,0706 0,3977 0,0840 0,0722 15,37
Tabla 22. Comparacin de los ndices en la clase CLC 243. Fuente: Autor.
243 Mosaico de cultivos, pastos y espacios naturales
Invierno Verano Diferencia
ndices X S X S
NDVI 0,6362 0,0752 0,6151 0,0774 0,0212 3,33
SAVI 0,4185 0,0805 0,3860 0,0787 0,0325 7,78
MSAVI 0,9429 0,2439 0,8366 0,2218 0,1063 11,27
ARVI 0,6162 0,0848 0,5805 0,0933 0,0358 5,80
SARVI 0,3867 0,0841 0,3377 0,0826 0,0490 12,68
ASVI 0,9001 0,2415 0,7761 0,2170 0,1240 13,78
GEMI 0,7418 0,0965 0,6998 0,0942 0,0420 5,66
SR 4,7063 1,0413 4,3822 0,9585 0,3241 6,89
NDWI -0,6134 0,0627 -0,6151 0,0626 0,0016 -0,27
GNDVI 0,6134 0,0627 0,6151 0,0626 -0,0016 -0,27
GARI 0,5390 0,0755 0,4981 0,0790 0,0409 7,58
SARVI2 0,4595 0,0996 0,3974 0,0906 0,0621 13,52
Tabla 23. Comparacin de los ndices en la clase CLC 244. Fuente: Autor.
244 Mosaico de pastos con espacios naturales
Invierno Verano Diferencia Porcentaje
ndices X S X S
NDVI 0,6181 0,0975 0,6116 0,0807 0,0064 1,04
SAVI 0,4064 0,0915 0,3885 0,0782 0,0179 4,41
MSAVI 0,9267 0,2654 0,8525 0,2208 0,0742 8,01
ARVI 0,5994 0,1058 0,5842 0,0923 0,0152 2,54
125
SARVI 0,3779 0,0938 0,3487 0,0802 0,0292 7,72
ASVI 0,8888 0,2626 0,8017 0,2152 0,0871 9,80
GEMI 0,7337 0,1082 0,7069 0,0933 0,0267 3,64
SR 4,5392 1,2291 4,3475 0,9818 0,1917 4,22
NDWI -0,5958 0,0864 -0,6022 0,0694 0,0063 -1,06
GNDVI 0,5958 0,0864 0,6022 0,0694 -0,0063 -1,06
GARI 0,5293 0,0934 0,5074 0,0787 0,0219 4,14
SARVI2 0,4541 0,1112 0,4127 0,0905 0,0414 9,12
Tabla 24. Comparacin de los ndices en la clase CLC 245. Fuente: Autor.
245 Mosaico de cultivos y espacios naturales
Invierno Verano Diferencia Porcentaje
ndices X S X S
NDVI 0,6735 0,0376 0,6554 0,0420 0,0181 2,69
SAVI 0,4395 0,0535 0,4101 0,0529 0,0294 6,69
MSAVI 0,9635 0,1715 0,8693 0,1572 0,0943 9,78
ARVI 0,6594 0,0415 0,6259 0,0506 0,0335 5,09
SARVI 0,4132 0,0547 0,3621 0,0547 0,0511 12,37
ASVI 0,9262 0,1693 0,8065 0,1532 0,1197 12,93
GEMI 0,7526 0,0669 0,7155 0,0662 0,0371 4,93
SR 5,2014 0,6630 4,8808 0,6390 0,3206 6,16
NDWI -0,6431 0,0325 -0,6498 0,0358 0,0067 -1,04
GNDVI 0,6431 0,0325 0,6498 0,0358 -0,0067 -1,04
GARI 0,5801 0,0394 0,5316 0,0460 0,0484 8,35
SARVI2 0,4827 0,0681 0,4164 0,0615 0,0663 13,73
Tabla 25. Comparacin de los ndices en la clase CLC 311. Fuente: Autor.
311 Bosque denso
Invierno Verano Diferencia Porcentaje
ndices X S X S
NDVI 0,5567 0,0937 0,5293 0,1014 0,0273 4,91
SAVI 0,3184 0,0958 0,2889 0,0948 0,0295 9,26
MSAVI 0,6595 0,2486 0,5812 0,2253 0,0783 11,88
ARVI 0,5297 0,1046 0,4821 0,1217 0,0476 8,99
SARVI 0,2887 0,0973 0,2442 0,0963 0,0445 15,42
ASVI 0,6251 0,2447 2,7223 0,2190 -2,0971 14,81
GEMI 0,6170 0,1172 0,5797 0,1127 0,0373 6,04
126
SR 3,7174 1,0033 3,4487 0,9505 0,2688 7,23
NDWI -0,5522 0,0781 -0,5457 0,0839 -0,0065 1,17
GNDVI 0,5522 0,0781 0,5457 0,0839 0,0065 1,17
GARI 0,4723 0,0885 0,4220 0,0991 0,0504 10,66
SARVI2 0,3415 0,1137 0,2921 0,1039 0,0494 14,46
Tabla 26. Comparacin de los ndices en la clase CLC 312. Fuente: Autor.
312 Bosque abierto
Invierno Verano Diferencia Porcentaje
ndices X S X S -
NDVI - - 0,5064 0,0863 -
SAVI - - 0,2755 0,0778 -
MSAVI - - 0,5557 0,1842 -
ARVI - - 0,4636 0,1033 -
SARVI - - 0,2354 0,0796 -
ASVI - - 0,5130 0,1804 -
GEMI - - 0,5715 0,0929 -
SR - - 3,1733 0,7211 -
NDWI - - -0,5150 0,0725 -
GNDVI - - 0,5150 0,0725 -
GARI - - 0,4070 0,0858 -
SARVI2 - - 0,2842 0,0879 -
Tabla 27. Comparacin de los ndices en la clase CLC 313. Fuente: Autor.
313 Bosque fragmentado
Invierno Verano Diferencia Porcentaje
ndices X S X S
NDVI 0,6078 0,0878 0,6007 0,0828 0,0071 1,17
SAVI 0,3790 0,0938 0,3595 0,0852 0,0195 5,14
MSAVI 0,8248 0,2620 0,7519 0,2241 0,0728 8,83
ARVI 0,0972 0,5861 0,5647 0,0993 -0,4675 4,49
SARVI 0,3489 0,0957 0,3138 0,0872 0,0351 10,07
ASVI 0,7866 0,2585 0,6966 0,2180 0,0899 11,43
GEMI 0,6913 0,1144 0,6618 0,1021 0,0294 4,26
SR 4,3320 1,0728 4,2005 0,9552 0,1314 3,03
NDWI -0,5934 0,0739 -0,6063 0,0672 0,0129 -2,18
127
GNDVI 0,5934 0,0739 0,6063 0,0672 -0,0129 -2,18
GARI 0,5184 0,0835 0,4891 0,0822 0,0293 5,66
SARVI2 0,4134 0,1134 0,3676 0,0953 0,0458 11,08
Tabla 28. Comparacin de los ndices en la clase CLC 321. Fuente: Autor.
321 Herbazal
Invierno Verano Diferencia Porcentaje
ndices X S X S
Tabla 29. Comparacin de los ndices en la clase CLC 322. Fuente: Autor.
322 Arbusto
Invierno Verano Diferencia Porcentaje
ndices X S X S
128
SARVI2 0,3630 0,0924 0,3401 0,0898 0,0228 9,61
Tabla 30. Comparacin de los ndices en la clase CLC 323. Fuente: Autor.
323 Vegetacin secundaria o en transicin
Invierno Verano Diferencia Porcentaje
ndices X S X S
La zona de estudio se dividi en las CLC presentes en el rea (Tabla 20, Tabla 21, Tabla
22, Tabla 23, Tabla 24, Tabla 25, Tabla 26, Tabla 27, Tabla 28, Tabla 29, Tabla 30) siendo
estos 231, 242, 243, 244, 245, 311, 312, 313, 321, 322, y 323.
Los ndices espectrales que se mantuvieron con mayor cambio a la comparacin de los
periodos de inverno-verano fueron MSAVI, ARVI, SARVI, ASVI y SARVI2; y los que
presentaron menos variaciones, son NDVI, NDWI y GNDVI.
129
Imagen 17. Comportamiento del NDVI. Fuente: Autor.
Tabla 31. Comportamiento del NDVI.
Fuente: Autor. NDVI
NDVI
0,6800
CLC Inv Ver
0,6600
231 0,5595 0,5601
0,6400
242 0,6333 0,6001
0,6200
243 0,6181 0,6151
0,6000
244 0,6181 0,6116
0,5800
245 0,6735 0,6554
0,5600
311 0,5567 0,5293
0,5400
312 0,5064
0,5200
313 0,6078 0,6007
0,5000
321 0,5269 0,5242 231 242 243 244 245 311 312 313 321 322 323
322 0,5515 0,5501
Inv Ver
323 0,6439 0,6396
130
Imagen 19. Comportamiento del MSAVI. Fuente: Autor.
Tabla 33. Comportamiento del
MSAVI. Fuente: Autor. MSAVI
MSAVI
1,0000
CLC Inv Ver
0,9500
231 0,8592 0,7637
0,9000
242 0,9755 0,8194
0,8500
243 0,9429 0,8366
0,8000
244 0,9267 0,8525
0,7500
245 0,9635 0,8693
0,7000
311 0,6595 0,5812
0,6500
312 0,5557
0,6000
313 0,8248 0,7519
0,5500
321 0,7265 0,6655 231 242 243 244 245 311 312 313 321 322 323
322 0,7148 0,6814
Inv Ver
323 0,9329 0,8632
Tabla 34. Comportamiento del ARVI. Imagen 20. Comportamiento ARVI. Fuente: Autor.
Fuente: Autor.
ARVI ARVI
CLC Inv Ver 0,6600
231 0,5357 0,5223 0,6400
242 0,6127 0,5700 0,6200
243 0,6162 0,5805 0,6000
244 0,5994 0,5842 0,5800
0,5600
245 0,6594 0,6259
0,5400
311 0,5297 0,4821
0,5200
312 0,4636
0,5000
313 0,5647 0,5647 0,4800
321 0,4997 0,4850 0,4600
322 0,5267 0,5162 231 242 243 244 245 311 312 313 321 322 323
323 0,6245 0,6069 Inv Ver
131
Imagen 21. Comportamiento SARVI. Fuente: Autor.
Tabla 35. Comportamiento SARVI.
Fuente: Autor.
SARVI
SARVI
CLC Inv Ver 0,4100
231 0,3353 0,3015 0,3900
242 0,3923 0,3350 0,3700
243 0,3867 0,3377 0,3500
244 0,3779 0,3487 0,3300
245 0,4132 0,3621 0,3100
311 0,2887 0,2442 0,2900
312 0,2354 0,2700
313 0,3489 0,3138 0,2500
321 0,2938 0,2679 0,2300
231 242 243 244 245 311 312 313 321 322 323
322 0,3018 0,2842
323 0,3879 0,3537 SARVI Inv SARVI Ver
132
Imagen 23. Comportamiento GEMI. Fuente: Autor.
Tabla 37. Comportamiento GEMI.
Fuente: Autor. GEMI
GEMI
CLC Inv Ver 0,7600
231 0,7098 0,6719 0,7400
0,7200
242 0,7598 0,6947
0,7000
243 0,7418 0,6998 0,6800
244 0,7337 0,7069 0,6600
245 0,7526 0,7155 0,6400
311 0,6170 0,5797 0,6200
312 0,5715 0,6000
0,5800
313 0,6913 0,6618
0,5600
321 0,6538 0,6287 231 242 243 244 245 311 312 313 321 322 323
322 0,6474 0,6317
Inv Ver
323 0,7346 0,7103
Tabla 38. Comportamiento SR. Imagen 24. Comportamiento SR. Fuente: Autor.
Fuente: Autor.
SR SR
CLC Inv Ver 5,4000
231 3,7091 3,6957 5,2000
242 4,5907 4,1754 5,0000
4,8000
243 4,7063 4,3822 4,6000
244 4,5392 4,3475 4,4000
245 5,2014 4,8808 4,2000
4,0000
311 3,7174 3,4487 3,8000
312 3,1733 3,6000
313 4,3320 4,2005 3,4000
3,2000
321 3,3624 3,3118 3,0000
322 3,5958 3,5741 231 242 243 244 245 311 312 313 321 322 323
323 4,9004 4,7260 Inv Ver
133
Tabla 39. Comportamiento NDWI. Imagen 25. Comportamiento NDWI. Fuente: Autor.
Fuente: Autor.
NDWI NDWI
CLC Inv Ver -0,4900
231 -0,5407 -0,5584 -0,5100
231 242 243 244 245 311 312 313 321 322 323
242 -0,5992 -0,5909 -0,5300
243 -0,6134 -0,6151
-0,5500
244 -0,5958 -0,6022
-0,5700
245 -0,6431 -0,6498
-0,5900
311 -0,5522 -0,5457
312 -0,5150 -0,6100
Tabla 40. Comportamiento GNDVI. Imagen 26. Comportamiento GNDVI. Fuente: Autor.
Fuente: Autor.
GNDVI GNDVI
CLC Inv Ver 0,6600
231 0,5407 0,5584 0,6400
242 0,5992 0,5909
0,6200
243 0,6134 0,6151
0,6000
244 0,5958 0,6022
0,5800
245 0,6431 0,6498
311 0,5522 0,5457 0,5600
134
Tabla 41. Comportamiento GARI. Imagen 27. Comportamiento GARI. Fuente: Autor.
Fuente: Autor.
GARI GARI
CLC Inv Ver
0,5800
231 0,4692 0,4492
0,5600
242 0,5248 0,4925
0,5400
243 0,5390 0,4981
0,5200
244 0,5293 0,5074
0,5000
245 0,5801 0,5316
0,4800
311 0,4723 0,4220 0,4600
312 0,4070 0,4400
313 0,5184 0,4891 0,4200
321 0,4444 0,4222 0,4000
322 0,4649 0,4508 231 242 243 244 245 311 312 313 321 322 323
323 0,5487 0,5212 Inv Ver
NDVI
135
231 0,5721 0,5545 0,5535 0,5456 0,6460 0,6214
242 0,6003 0,6134 0,6253 0,5915
243 0,5459 0,5948 0,6328 0,6239 0,6447 0,6192
244 0,5568 0,5966 0,6343 0,6250 0,6752 0,6722
245 0,6701 0,6464 0,6751 0,6596
311 0,4990 0,4986 0,5535 0,5360 0,5998 0,5695
312 0,5064
313 0,5543 0,5675 0,5928 0,6106 0,6306 0,6127
321 0,5242
322 0,5508 0,5508 0,5571 0,5408
323 0,5467 0,6537 0,5887 0,6437 0,6611 0,6357
NDVI
0,6900
0,6600
0,6300
0,6000
0,5700
0,5400
0,5100
0,4800
231 242 243 244 245 311 312 313 321 322 323
SAVI
136
313 0,3349 0,3294 0,3730 0,3688 0,3941 0,3701
321 0,3112
322 0,3320 0,3229 0,3310 0,3254
323 0,3600 0,4328 0,3723 0,4031 0,4318 0,3959
SAVI
0,4500
0,4300
0,4100
0,3900
0,3700
0,3500
0,3300
0,3100
0,2900
0,2700
0,2500
231 242 243 244 245 311 312 313 321 322 323
MSAVI
137
Imagen 31. Comparacin Biomas - CLC vs. MSAVI. Fuente: Autor.
MSAVI
1,0000
0,9500
0,9000
0,8500
0,8000
0,7500
0,7000
0,6500
0,6000
0,5500
0,5000
231 242 243 244 245 311 312 313 321 322 323
ARVI
138
Imagen 32. Comparacin Biomas - CLC vs. ARVI. Fuente: Autor.
ARVI
0,6600
0,6300
0,6000
0,5700
0,5400
0,5100
0,4800
0,4500
231 242 243 244 245 311 312 313 321 322 323
SARVI
139
Imagen 33. Comparacin Biomas - CLC vs. SARVI. Fuente: Autor.
SARVI
0,4200
0,4000
0,3800
0,3600
0,3400
0,3200
0,3000
0,2800
0,2600
0,2400
0,2200
231 242 243 244 245 311 312 313 321 322 323
ASVI
140
Imagen 34. Comparacin Biomas - CLC vs. ASVI. Fuente: Autor.
ASVI
0,9500
0,9000
0,8500
0,8000
0,7500
0,7000
0,6500
0,6000
0,5500
0,5000
0,4500
231 242 243 244 245 311 312 313 321 322 323
GEMI
141
Imagen 35. Comparacin Biomas - CLC vs. GEMI. Fuente: Autor.
GEMI
0,7600
0,7300
0,7000
0,6700
0,6400
0,6100
0,5800
0,5500
231 242 243 244 245 311 312 313 321 322 323
SR
142
Imagen 36. Comparacin Biomas - CLC vs. SR. Fuente: Autor.
SR
5,5000
5,0000
4,5000
4,0000
3,5000
3,0000
231 242 243 244 245 311 312 313 321 322 323
NDWI
143
Imagen 37. Comparacin Biomas - CLC vs. NDWI. Fuente: Autor.
NDWI
-0,4800
-0,5300
-0,5800
-0,6300
-0,6800
231 242 243 244 245 311 312 313 321 322 323
GNDVI
144
Imagen 38. Comparacin Biomas - CLC vs. GNDVI. Fuente: Autor.
GNDVI
0,6800
0,6600
0,6400
0,6200
0,6000
0,5800
0,5600
0,5400
0,5200
0,5000
0,4800
231 242 243 244 245 311 312 313 321 322 323
GARI
145
Imagen 39. Comparacin Biomas - CLC vs. GARI. Fuente: Autor.
GARI
0,6000
0,5800
0,5600
0,5400
0,5200
0,5000
0,4800
0,4600
0,4400
0,4200
0,4000
231 242 243 244 245 311 312 313 321 322 323
SARVI2
146
Imagen 40. Comparacin Biomas - CLC vs. SARVI2. Fuente: Autor.
SARVI2
0,5000
0,4800
0,4600
0,4400
0,4200
0,4000
0,3800
0,3600
0,3400
0,3200
0,3000
0,2800
0,2600
231 242 243 244 245 311 312 313 321 322 323
En general se muestra una tendencia de los ndices MSAVI ASVI SARVI y SARVI2, en
tener una mayor sensibilidad en la comparacin entre los periodos de invierno y verano
arrojando porcentajes de cambio ms altos que el resto de los ndices. Se evidencia una
disminucin de la tasa de cambio partiendo de la comparacin directa entre las imgenes
de invierno y verano que oscilan entre 11 %-14% (Tabla 16); durante la comparacin de los
biomas de las zona se not una disminucin de la tasa de cambio en los respectivos biomas,
esto es, en el OASM los valores oscilaron entre 4 y 6%; mientras que en el OMSM los
valores de los ndices citados variaron entre 10 y 13% y en el OBSMM los valores estuvieron
entre 11 y 15%.
147
NDWI 2,31 -10,40 -8,64 -1,72 -3,94 -2,04 -20,57
La tendencia de los resultados de los ndices se mantiene a lo largo de las clases CLC
como se muestra en las Tabla 41 - Tabla 54 y las Imagen 16Imagen 40
Las coberturas 311 (Bosque denso) tienen resultados comparativamente bajos frente a las
otras clases y en los diferentes biomas.
148
Estos resultados pueden explicarse debido a dos razones principales:
II. La compleja topografa de la zona limita el anlisis del a informacin ya que la ser
una zona montaosa, se pierden datos debido al aspecto e iluminacin en funcin
del ngulo de captura de las imgenes satelitales; a pesar de los procesos de
correccin atmosfrica y topogrfica.
Se puede sealar que los ndices espectrales MSAVI, ASVI, SARVI y SARVI2 son ms
sensibles a las variaciones de las condiciones de la vegetacin; que el resto de los ndices.
El NDVI, GNDVI y NDWI, en general fueron los ndices que menores variaciones
presentaron en la comparacin de los periodos de invierno y verano, sin embargo fueron
los que menor dispersin de los datos presentaron con un coeficiente de variacin en a lo
largo de las comparaciones alrededor del 15%.
El ASVI, SARVI y SARVI2, son ndices resistentes al suelo y a la atmsfera, lo que explica
su variacin comparativamente mayor al resto, en los periodos de inverno y verano, puesto
tienen en cuenta la influencia del fondo del suelo (Huete et al., 1997; Qi, Chehbouni, et al.,
1994; Qi, Kerr, et al., 1994) que se acrecienta en las pocas de verano cuando las
vegetacin pierde vigor vegetal, as como la reduccin de los efectos relativos a las
condiciones atmosfricas (Pinty & Verstraete, 1992).
El uso de la banda azul para el ARVI ASVI SARVI y SARVI2, hace que sean ms sensibles
en condiciones de vegetacin densa (Qi, Kerr, et al., 1994), esta afirmacin se demuestra
en la comparacin de los ndices espectrales en los dos periodos de estudio.
Por otro lado los ndices que menor variacin presentaron fueron el NDVI, NDWI y GNDVI,
siendo consistente el NDVI con las observaciones de Qi et al (1994) que sealan al NDVI
como un ndice de sensibilidad baja en LAI > 2,5. El autor citado tambin seala el mismo
comportamiento para el SAVI en las mismas condiciones de rea foliar. A pesar de que no
fue posible calcular el LAI para la zona de estudio, las observaciones y los clculos
realizados concuerdan con lo enunciado por los autores.
149
Pinty & Verstraete, (1992) expresan que el GEMI es ms til para comparar las
observaciones en diversas condiciones de atmosfricas y de iluminacin, ya que,
representa mejor las condiciones reales de la superficie que el NDVI y SR, sobre la mayor
parte de la gama del estado de la vegetacin; por otro lado Qi, Kerr, et al., (1994) sealan
que el GEMI tiene una mala respuesta en reas con LAI<0,5 por el efecto del fondo del
suelo.
Huete et al., (1997), seala que el SARVI no se satura en zonas boscosas reflejando
variaciones en la reflectancia del NIR; a diferencia del NDVI que se satura con estas
coberturas por la alta absorcin en el canal rojo (Gitelson et al., 1996). El mismo autor
seala que el NDVI es sensible a la absorcin de la fraccin de la radiacin
fotosintticamente activa (fPAR) siendo til para los estudios de la fraccin de la cobertura
vegetal; y el SARVI es ms sensible a parmetros estructurales del dosel como el LAI y la
morfologa de las hojas. Al igual que Huete et al., (1997), el SARVI y el SARVI2, presentaron
una mejor respuesta a las variaciones de las condiciones de la vegetacin; el autor citado
explica la sensibilidad en reas densamente pobladas por el peso de la reflectancia del NIR
en las ecuaciones del SARVI2 y SARVI. La menor absorcin, gran penetracin y
propiedades de dispersin del NIR permiti un incremento de la sensibilidad a los biomas
verdes y previno la saturacin los VIs en altos niveles de vegetacin.
150
9. CONCLUSIONES Y RECOMENDACIONES
Los ndices espectrales son herramientas tiles para determinar algunas variables fsicas
de la vegetacin, as como el anlisis del cambio de las dinmicas medibles en bosques, y
la interaccin del hombre con su entorno.
La divisin del rea de estudio en biomas hall que todos los ndices espectrales trabajados
presentan una variacin en la sensibilidad de la deteccin del cambio entre las pocas de
invierno y verano, inversa a la altitud; esto es que el porcentaje de cambio aumentaba a
medida que la altitud decreca, partiendo del Orobioma Alto de Santa Marta hasta el
Orobioma Bajo de Santa Marta y Macuira. Sin embargo esta tendencia slo se demuestra
en los lmites de la zona de estudio, y no se puede asegurar una continuidad de esta lnea
ms all del rea de estudio, puesto que las condiciones de la vegetacin en esta zona
varan drsticamente.
Para la determinacin del estado de las coberturas vegetales los ndices espectrales que
mejor representan su condicin son el ASVI, SARVI y SARVI2 ya que tienen en cuenta las
interferencias del fondo del suelo y las posibles perturbaciones atmosfricas adems de ser
ms sensibles a los parmetros estructurales del dosel como el ndice de rea foliar y la
morfologa de las hojas. No obstante estos ndices son un complemento del NDVI que es
un ndice sensible a la absorcin de la fraccin fotosintticamente activa (Huete et al., 1997).
El uso de estos ndices espectrales est ligado a coberturas con altas densidades y reas
foliares altas (LAI>2), ya que segn Qi, Kerr, et al., (1994) y Huete et al., (1997) estos,
tienen un comportamiento diferentes en coberturas poco densas, por lo que se hace
conveniente el anlisis de otros ndices espectrales.
151
El desfase temporal de los datos CLC (2005-2007), hacen que el uso de esta informacin
como base del estado de las coberturas, no sea verdico, as que la segmentacin de la
zona de estudio en dichos datos, slo se asumi a nivel comparativo para asumir una tasa
de cambio entre reas, por ello se hace necesario el uso de informacin temporalmente
cercana.
De igual forma es recomendable el uso de informacin secundaria de las zonas en las que
se trabaje, como los tipos de biomas, ecosistemas, usos de suelos, especies existentes en
la zona, comunidades vegetales, ya que ayudaran a intuir, el tipo de comportamiento que
tendrn los ndices espectrales, as como una determinacin y categorizacin del estado
de las coberturas, ecosistemas y biomas.
152
10. BIBLIOGRAFA
Ahamed, T., Tian, L., Zhang, Y., & Ting, K. C. (2011). A review of remote sensing methods
for biomass feedstock production. Biomass and Bioenergy, 35(7), 24552469.
http://doi.org/10.1016/j.biombioe.2011.02.028
Ali, I., Cawkwell, F., Dwyer, E., Barrett, B., & Green, S. (2016). Satellite remote sensing of
grasslands: from observation to managementa review. Journal of Plant Ecology,
rtw005. http://doi.org/10.1093/jpe/rtw005
Arango, C., Dorado, J., Guzmn, D., & Ruiz, J. . (2014). Climatologa trimestral de Colombia,
19. Retrieved from http://es.scribd.com/doc/229064239/Climatologia-Trimestral-para-
Colombia-Ruiz-Guzman-Arango-y-Dorado-pdf#scribd
Arenas, D., & Nieto, N. (2015). Uso de imgenes de sensores para el levantamiento fsico
de apoyo a los avluos ambientales, Etapa 2015. CIAF-IGAC. BOGOT, COLOMBIA.
Ariza, A. (2013). Descripcin y Correccin de Productos Landsat 8 LDCM (Landsat Data
Continuity Mission). Centro de Investigacin Y Desarrollo En Informacin Geogrfica
Del IGAC -CIAF, 46.
Ariza, A., Garcia, S., Rojas, S., & Ramirez D., M. (2014). Desarrollo de un modelo de
correccin de imgenes de satlite para inundaciones: (CAIN -Correccin Atmosfrica
e ndices de Inundacin). Centro de Investigacin Y Desarrollo En Informacin
Geogrfica Del IGAC -CIAF, 110. Retrieved from http://www.un-spider.org/
Bacour, C., Breon, F. M., & Maignan, F. (2006). Normalization of the directional effects in
NOAA - AVHRR reflectance measurements for an improved monitoring of vegetation
cycles. Remote Sensing of Environment, 102(34), 402413.
Balaguera, L., Cantillo, J., Camargo, L. F., Gmez, ., Jimnez, M., Laverde, G. N.,
Villalba, P. (2005). PLAN DE MANEJO PARQUE NACIONAL NATURAL SIERRA
NEVADA DE SANTA MARTA. PLAN DE MANEJO BASICO 2005-200. Santa Mrta.
Bannari, A., Morin, D., Huete, A. R., & Bonn, F. (1995). A review of vegetation indices.
Remote Sensing Reviews, 13, 95120.
Baret, F., Guyot, G., & Major, D. J. (1989). TSAVI: A vegetation index which minimizes soil
brightness effects on LAI and APAR estimation. In Proceedings of The 12th Canadian
Symposium on Remote Sensing (pp. 13551358). Vancouver.
Brito Hoyos, D. M. (2013). Maestra en Aplicaciones Espaciales de Alerta y Respuesta
Temprana a Emergencias. Informe Final - Pasanta. Universidad Nacional de General
San Martn (UNSAM).
Buyantuyev, A., Wu, J., & Gries, C. (2007). Estimating vegetation cover in an urban
environment based on Landsat ETM+ imagery: A case study in Phoenix, USA.
International Journal of Remote Sensing, 28(2), 269291.
http://doi.org/10.1080/01431160600658149
Calvo Polanco, M., Silva Pando, F. J., Rozados Lorenzo, M. J., Daz Blanco, M., Rodrguez
Dorriba, P., & Duo Surez, I. (2005). El ndice de rea foliar (LAI) en masas de abedul
(Betula celtiberica rothm. et vasc.) en Galicia. Sociedad Espaola de Ciencias
Forestales, 20, 111116.
153
Cao, C., Xu, M., Chen, W., & Tian, R. (2012). A framework for diagnosis of environmental
health based on remote sensing. In D. Entekhabi, Y. Honda, H. Sawada, J. Shi, & T.
Oki (Eds.), Land Surface Remote Sensing (p. 852414). Kyoto, Japan: Land Surface
Remote Sensing. http://doi.org/10.1117/12.977439
Carlson, T. N., & Ripley, D. A. (1997). On the relation between NDVI, fractional vegetation
cover, and leaf area index. Remote Sensing of Environment.
http://doi.org/10.1016/S0034-4257(97)00104-1
Chavez Jr., P. S. (1988). An improved dark-object subtraction technique for atmospheric
scattering correction of multispectral data. Remote Sensing of Environment, 24(3),
459479. http://doi.org/10.1016/0034-4257(88)90019-3
Chavez Jr., P. S., & Yaw Kwarteng, A. (1989). Extracting spectral contrast in Landsat
Thematic Mapper image data using selective principal component analysis.
Photogrammetric Engineering & Remote Sensing, 55(3), 339348.
Chen, Y., & Gillieson, D. (2009). Evaluation of Landsat TM vegetation indices for estimating
vegetation cover on semi-arid rangelands: a case study from Australia. Canadian
Journal of Remote Sensing, 35(5), 435446. http://doi.org/10.5589/m09-037
Chen, Z., Yin, Q., Li, L., & Xu, H. (2010). Ecosystem Health Assessment by using remote
sensing derived data: A case study of terrestrial region along the coast in ZheJiang
province. IEEE Geoscience and Remote Sensing Letters, 45264529.
Chuvieco, E. (1995). Fundamentos de teledeteccin espacial (Segunda Ed). Madrid-
Espaa: RIALP S.A.
Chuvieco, E. (2010). Teledeteccin Ambiental, La Observacin de la Tierra desde el
Espacio. Barcelona: Ariel.
Costanza, R., & Mageau, M. (1999). What is a healthy ecosystem? Aquat. Ecol, 33, 105
155.
Cui, L., Li, G., Ren, H., He, L., Liao, H., Ouyang, N., & Zhang, Y. (2014). Assessment of
atmospheric correction methods for historical Landsat TM images in the coastal zone:
A case study in Jiangsu, China. European Journal of Remote Sensing, 47(1), 701716.
http://doi.org/10.5721/EuJRS20144740
Daz-Delgado, R., Lloret, F., Pons, X., & Terradas, J. (2002). SATELLITE EVIDENCE OF
DECREASING RESILIENCE IN MEDITERRANEAN PLANT COMMUNITIES AFTER
RECURRENT WILDFIRES. Ecology, 83(8), 22932303. http://doi.org/10.1890/0012-
9658(2002)083[2293:SEODRI]2.0.CO;2
Gao, B. C. (1996). NDWI - A normalized difference water index for remote sensing of
vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257266.
http://doi.org/10.1016/S0034-4257(96)00067-3
Gill, T. K., & Phinn, S. R. (2009). Improvements to ASTER-Derived Fractional Estimates of
Bare Ground in a Savanna Rangeland. IEEE Transactions on Geoscience and Remote
Sensing, 47(2), 662670. http://doi.org/10.1109/TGRS.2008.2004628
Gill, T. K., Phinn, S. R., Armston, D. J., & Pailthorpe, B. A. (2009). Estimating tree-cover
change in Australia: challenges of using the MODIS vegetation index product.
International Journal of Remote Sensing, 30(6), 15471565.
154
Gillespie, T. W. (2011). Predicting Woody-Plant Species Richness in Tropical Dry Forests:
A Case Study from South PREDICTING WOODY-PLANT SPECIES RICHNESS IN
TROPICAL DRY FORESTS: A CASE STUDY FROM SOUTH FLORIDA , USA.
Ecological Applications, 15(1), 2737. Retrieved from
https://www.researchgate.net/publication/280801166
Gitelson, A. A. (2004). Wide Dynamic Range Vegetation Index for Remote Quantification of
Biophysical Characteristics of Vegetation. Journal of Plant Physiology, 161(2), 165
173. http://doi.org/10.1078/0176-1617-01176
Gitelson, A. A., Kaufman, Y. J., & Merzlyak, M. N. (1996). Use of a green channel in remote
sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment,
58(3), 289298. http://doi.org/10.1016/S0034-4257(96)00072-7
Gitelson, A. A., Via, A., Arkebauer, T. J., Rundquist, D. C., Keydan, G., & Leavitt, B. (2003).
Remote estimation of leaf area index and green leaf biomass in maize canopies.
Geophysical Research Letters, 30(5), n/a-n/a. http://doi.org/10.1029/2002GL016450
Gonzaga Aguilar, C. (2014). Aplicacin de ndices de Vegetacin Derivados de Imgenes
Satelitales Landsat 7 ETM + y ASTER para la Caracterizacin de la Cobertura Vegetal
en la Zona Centro de la Provincia De Loja, Ecuador. Universidad Nacional de La Plata.
Goslee, S. C. (2011). Analyzing Remote Sensing Data in R: The landsat Package. Journal
of Statistical Software, 43(4), 125. http://doi.org/10.18637/jss.v043.i04
Gu, Z., Ju, W., Li, L., Li, D., Liu, Y., & Fan, W. (2013). Using vegetation indices and texture
measures to estimate vegetation fractional coverage (VFC) of planted and natural
forests in Nanjing city, China. Advances in Space Research, 51(7), 11861194.
http://doi.org/10.1016/j.asr.2012.11.015
Guzmn, D., Ruz, J., & Cadena, M. (2014). REGIONALIZACIN DE COLOMBIA SEGN
LA ESTACIONALIDAD DE LA PRECIPITACIN MEDIA MENSUAL, A TRAVS
ANLISIS DE COMPONENTES PRINCIPALES (ACP).
Guzmn, O. (2006). Fundamentos Fsicos de la Teledeteccin. (CIAF, Ed.) (Versin 1.).
BOGOT, COLOMBIA: CIAF.
Harris, A., Carr, A. S., & Dash, J. (2014). Remote sensing of vegetation cover dynamics and
resilience across southern Africa. International Journal of Applied Earth Observation
and Geoinformation, 28(1), 131139. http://doi.org/10.1016/j.jag.2013.11.014
He, K. S., Zhang, J., & Zhang, Q. (2009). Linking variability in species composition and
MODIS NDVI based on beta diversity measurements. Acta Ecolgica, 35(1), 1421.
http://doi.org/10.1016/j.actao.2008.07.006
Hernndez-Camacho, J., & Snchez-Pez, H. (1992). Biomas terrestres de Colombia. Acta
Zoolgica Mexicana, 1, 152173.
Hofer, G., Bunce, R. G. H., Edwards, P. J., Szerencsits, E., Wagner, H. H., & Herzog, F.
(2011). Use of topographic variability for assessing plant diversity in agricultural
landscapes. Agriculture, Ecosystems & Environment, 142(34), 144148.
http://doi.org/10.1016/j.agee.2011.04.011
Homolov, L., Malenovsk, Z., Clevers, J. G. P. W., Garca-Santos, G., & Schaepman, M.
E. (2013). Review of optical-based remote sensing for plant trait mapping. Ecological
Complexity, 15, 116. http://doi.org/10.1016/j.ecocom.2013.06.003
155
Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of
Environment, 25(3), 295309. http://doi.org/10.1016/0034-4257(88)90106-X
Huete, A. R., Justice, C. O., & van Leeuwen, W. J. D. (1999). MODIS Vegetation Index
(MOD 13). Version 3. Algorithm Theoretical Basis Document. Retrieved from
http://modis.gsfc.nasa.gov/data/atbd/atbd_mod13.pdf
Huete, A. R., Liu, H. Q., Batchily, K., & van Leeuwen, W. J. D. (1997). A comparison of
vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing
of Environment, 59(3), 440451. http://doi.org/10.1016/S0034-4257(96)00112-5
Hunt, E. R., & Rock, B. N. (1989). Detection of changes in leaf water content using near and
middle-infrared reflectances. Remote Sensing of Environment, 30, 4354.
Hunt, E. R., Rock, B. N., & Nobel, P. S. (1987). Measurement of leaf relative water content
by infrared reflectance. Remote Sensing of Environment, 22(3), 429435.
http://doi.org/10.1016/0034-4257(87)90094-0
IDEAM. (2007). Las coberturas vegetales, uso y ocupacin del espacio de Colombia. Escala
1:500.000. BOGOT, COLOMBIA.
IDEAM. (2010). Leyenda nacional de coberturas de la tierra. Metodologa CORINE Land
Cover Adaptada para Colombia Escala 1:100.000. BOGOT, COLOMBIA.
IDEAM, IGAC, IAvH, Invemar, Sinchi, & IIAP. (2007). Ecosistemas continentales, costeros
y marinos de Colombia. BOGOT, COLOMBIA.
Jackson, T. J., Chen, D., Cosh, M., Li, F., Anderson, M., Walthall, C., Hunt, E. R. (2004).
Vegetation water content mapping using Landsat data derived normalized difference
water index for corn and soybeans. Remote Sensing of Environment, 92(4), 475482.
http://doi.org/10.1016/j.rse.2003.10.021
Kaufman, Y. J., & Tanr, D. (1992). Atmospherically resistant vegetation index (ARVI) for
EOS-MODIS. In A. Arbor (Ed.), IEEE Transactions on Geoscience and Remote
Sensing (pp. 97131). University of Michigan.
Kemerer, A.; Di Bella, C.; Melchiori, R.; Benech, A.; y Alvarez, R. (2007). Comparacin de
ndices espectrales para la prediccin del IAF en canopeos de maz.
TELEDETECCIN, 125129.
Krieger, F., Malila, W., Nalepka, R., & Richerdson, W. (1969). Preprocessing
transformations and their effects on multispectral recognition. Remote Sensing of
Environment, 97131.
Lawes, R. A., & Wallace, J. F. (2008). Monitoring an invasive perennial at the landscape
scale with remote sensing. Ecological Management & Restoration, 9(1), 5359.
http://doi.org/10.1111/j.1442-8903.2008.00387.x
Levin, N., Shmida, A., Levanoni, O., Tamari, H., & Kark, S. (2007). Predicting mountain plant
richness and rarity from space using satellite-derived vegetation indices. Diversity and
Distributions, 13(6), 692703. http://doi.org/10.1111/j.1472-4642.2007.00372.x
Li, Z., Xu, D., & Guo, X. (2014). Remote sensing of ecosystem health: opportunities,
challenges, and future perspectives. Sensors, 14(11), 2111721139.
http://doi.org/10.3390/s141121117
156
Liao, Z., He, B., & Quan, X. (2015). Modified enhanced vegetation index for reducing
topographic effects. Journal of Applied Remote Sensing, 9(1), 96068.
http://doi.org/10.1117/1.JRS.9.096068
Libonati, R., de Portugal e Castro da Camara, C. do C., Pereira, J. M. C., & de Faria Peres,
L. (2011). Discriminating burned areas in Amazon and Cerrado regions using MIR/NIR
information. Anais XV Simposio Brasileiro de Sensoriamento Remoto, (Pereira 1999),
80208027. Retrieved from
http://marte.dpi.inpe.br/col/dpi.inpe.br/marte/2011/06.30.12.48/doc/p1044.pdf\npapers
3://publication/uuid/F5C4EBA4-1C45-47A9-83D5-8CDDC36C8451
Luoto, M., Toivonen, T., & Heikkinen, R. K. (2002). Prediction of total and rare plant species
richness from satellite images and GIS data in agricultural landscapes. Landscape
Ecology, 17(3), 195217. http://doi.org/10.1023/A:1020288509837
Masek, J. G., Hayes, D. J., Joseph Hughes, M., Healey, S. P., & Turner, D. P. (2015). The
role of remote sensing in process-scaling studies of managed forest ecosystems.
Forest Ecology and Management, 355, 109123.
http://doi.org/10.1016/j.foreco.2015.05.032
MEA. (2005). Ecosystems and Human Well-being. EE.UU.
Moreira, E. P., Valeriano, M. de M., Sanches, I. D. A., & Formaggio, A. R. (2016).
TOPOGRAPHIC EFFECT ON SPECTRAL VEGETATION INDICES FROM LANDSAT
TM DATA: IS TOPOGRAPHIC CORRECTION NECESSARY? Boletim de Cincias
Geodsicas, 22(1), 95107. http://doi.org/10.1590/S1982-21702016000100006
Nagendra, H. (2001). Using remote sensing to assess biodiversity. International Journal of
Remote Sensing, 22(12), 23772400. http://doi.org/10.1080/01431160117096
Opazo Saldivia, S., & Rodrguez-Verd, F. (2007). Variacin espacial de ndices espectrales
sobre reas quemadas en sudamrica. Cuadernos de Investigacin Geogrfica, 33,
3957.
Pinty, B., & Verstraete, M. M. (1992). GEMI: a non-linear index to monitor global vegetation
from satellites. Vegetatio, 101(1), 1520. http://doi.org/10.1007/BF00031911
Piol, J., Filella, I., Ogaya, R., & Peuelas, J. (1998). Ground-based spectroradiometric
estimation of live fine fuel moisture of Mediterranean plants. Agricultural and Forest
Meteorology, 90(3), 173186. http://doi.org/10.1016/S0168-1923(98)00053-7
PNUD. (2011). Colombia rural. Razones para la esperanza. Informe Nacional de Desarrollo
Humano. BOGOT, COLOMBIA.
Qi, J., Chehbouni, A., Huete, A. R., Kerr, Y. H., & Sorooshian, S. (1994). A modified soil
adjusted vegetation index: MSAVI. Remote Sensing of Environment, 48, 119126.
Qi, J., Kerr, Y., & Chehbouni, A. (1994). External factor consideration in vegetation index
development. Proceedings of 6th International Symposium on Physical Measurements
and Signatures in Remote Sensing, (July), 723730.
Quintano, C., Fernndez-Manso, A., Stein, A., & Bijker, W. (2011). Estimation of area burned
by forest fires in Mediterranean countries: A remote sensing data mining perspective.
Forest Ecology and Management, 262(8), 15971607.
http://doi.org/10.1016/j.foreco.2011.07.010
157
Rangel-Ch, J. O. (2002). Biodiversidad en la regin del pramo: Con especial referencia a
Colombia. In Congreso Mundial de Pramos: Memorias Tomo I.
Rangel-Ch, J. O. (2005). La biodiversidad de Colombia. Palimpsestos, 5, 292304.
Retrieved from
http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:La+biodiversidad+d
e+Colombia#6
Rangel-Ch, J. O. (2012). ECOSISTEMAS DEL CARIBE COLOMBIANO. In J. O. Rangel-Ch
(Ed.), COLOMBIA DIVERSIDAD BITICA XII La regin Caribe de Colombia (XII, pp.
9631009). BOGOT, COLOMBIA: Editorial Cdice Ltda.
Rangel-Ch, J. O., & Carvajal-Cogollo, J. E. (2012). CLIMA DE LA REGIN CARIBE
COLOMBIANA. In J. O. Rangel-ch (Ed.), Colombia Diversidad Bitica XII. La regin
Caribe de Colombia. (XII, pp. 67129). BOGOT, COLOMBIA: Editorial Cdice Ltda.
Rsnen, A., Kuitunen, M., Hjort, J., Vaso, A., Kuitunen, T., & Lensu, A. (2016). The role of
landscape, topography, and geodiversity in explaining vascular plant species richness
in a fragmented landscape. BOREAL ENVIRONMENT RESEARCH, 21, 5370.
Retrieved from http://www.borenv.net/BER/pdfs/ber21/ber21-053.pdf
Ren, Z., Zheng, H., He, X., Zhang, D., Yu, X., & Shen, G. (2015). Spatial estimation of urban
forest structures with Landsat TM data and field measurements. Urban Forestry &
Urban Greening, 14(2), 336344. http://doi.org/10.1016/j.ufug.2015.03.008
Riao, D., Salas, J., & Chuvieco, E. (2000). Correccin Atmosfrica y Topogrfica ,
Informacin Multitemporal y Auxiliar Aplicadas a la Cartografa de Modelos de
Combustibles con Imgenes Landsat-TM. Tecnologas Geogrficas Para El Desarrollo
Sostenible: IX Congreso Del Grupo de Mtodos Cuantitativos, Sistemas de
Informacin Geogrfica Y Teledeteccin, 222239.
Richardson, A. J., & Wiegand, C. L. (1977). Distinguishing vegetation from soil background
information. Hotogrammetric Engineering and Remote Sensing, 43, 15411552.
Rocchini, D., Boyd, D. S., Fret, J.-B., Foody, G. M., He, K. S., Lausch, A., Pettorelli, N.
(2016). Satellite remote sensing to monitor species diversity: potential and pitfalls.
Remote Sensing in Ecology and Conservation, 2(1), 2536.
http://doi.org/10.1002/rse2.9
Rose, R. A., Byler, D., Eastman, J. R., Fleishman, E., Geller, G., Goetz, S., Wilson, C.
(2015). Ten ways remote sensing can contribute to conservation. Conservation
Biology, 29(2), 350359. http://doi.org/10.1111/cobi.12397
Rouse, J. W., & Haas, R. H. (1973). Monitoring vegetation systems in the great plain with
ERTS. Third ERTS Symposium, 1(309317).
Roy, D. P., Kovalskyy, V., Zhang, H. K., Vermote, E. F., Yan, L., Kumar, S. S., & Egorov, A.
(2016). Characterization of Landsat-7 to Landsat-8 reflective wavelength and
normalized difference vegetation index continuity. Remote Sensing of Environment.
http://doi.org/10.1016/j.rse.2015.12.024
Running, S. W., Loveland, T. R., Pierce, L. L., Nemani, R. R., & Hunt, E. R. (1995). A remote
sensing based vegetation classification logic for global land cover analysis. Remote
Sensing of Environment, 51(1), 3948. http://doi.org/10.1016/0034-4257(94)00063-S
Running, S. W., Nemani, R. R., Heinsch, F. A., Zhao, M., Reeves, M., & Hashimoto, H.
158
(2004). A continuous satellite-derived measure of global terrestrial primary production.
BioScience, 54(6), 547560. Retrieved from
https://www.scopus.com/record/display.uri?eid=2-s2.0-
2942618334&origin=inward&txGid=0
Sun, Y., Piao, S., Huang, M., Ciais, P., Zeng, Z., Cheng, L., Zeng, H. (2016). Global
patterns and climate drivers of water-use efficiency in terrestrial ecosystems deduced
from satellite-based datasets and carbon cycle models. Global Ecology and
Biogeography, 25(3), 311323. http://doi.org/10.1111/geb.12411
U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center.
(2016a). LANDSAT_8 - Path: 9 Row: 52 for Scene: LC80090522013325LGN00. Sioux
Falls, South Dakota, USA: U.S. Geological Survey (USGS) Earth Resources
Observation and Science (EROS) Center. Retrieved from http://glovis.usgs.gov
U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center.
(2016b). LANDSAT_8 - Path: 9 Row: 52 for Scene: LC80090522016014LGN00. Sioux
Falls, South Dakota, USA: U.S. Geological Survey (USGS) Earth Resources
Observation and Science (EROS) Center. Retrieved from http://glovis.usgs.gov
U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National
Aeronautics and Space Administration (NASA). (2016a). Shuttle Radar Topography
Mission 1 Arc-Second Global: SRTM1N10W074V3. Sioux Falls, South Dakota, USA:
U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS)
Center. Retrieved from https://lta.cr.usgs.gov/SRTM1Arc
U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National
Aeronautics and Space Administration (NASA). (2016b). Shuttle Radar Topography
Mission 1 Arc-Second Global: SRTM1N10W075V3. Sioux Falls, South Dakota, USA:
U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS)
Center. Retrieved from https://lta.cr.usgs.gov/SRTM1Arc
U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National
Aeronautics and Space Administration (NASA). (2016c). Shuttle Radar Topography
Mission 1 Arc-Second Global: SRTM1N11W074V3. Sioux Falls, South Dakota, USA:
U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS)
Center. Retrieved from https://lta.cr.usgs.gov/SRTM1Arc
U.S. Geological Survey (USGS), National Geospatial-Intelligence Agency (NGA), & National
Aeronautics and Space Administration (NASA). (2016d). Shuttle Radar Topography
Mission 1 Arc-Second Global: SRTM1N11W075V3. Retrieved from
https://lta.cr.usgs.gov/SRTM1Arc
USGS. (2014). PRODUCT GUIDE LANDSAT SURFACE REFLECTANCE-DERIVED
SPECTRAL INDICES. Version 2.3.
UVed. (2016). ENVCAL - SUIVI DE LENVIRONNEMENT PAR TLDTECTION.
Retrieved from www.uved.fr
van Leeuwen, W. J. D. (2008). Monitoring the Effects of Forest Restoration Treatments on
Post-Fire Vegetation Recovery with MODIS Multitemporal Data. Sensors, 8(3), 2017
2042. http://doi.org/10.3390/s8032017
van Leeuwen, W. J. D., Casady, G. M., Neary, D. G., Bautista, S., Alloza, J. A., Carmel, Y.,
Orr, B. J. (2010). Monitoring post-wildfire vegetation response with remotely sensed
159
time-series data in Spain, USA and Israel. International Journal of Wildland Fire, 19(1),
7593. http://doi.org/10.1071/WF08078
Walter, H. (1977). Zonas de vegetacin y clima. Breve exposicin desde el punto de vista
causal y global. Barcelona: Ed. Omega, S. A.
Wang, J., Sammis, T. W., Gutschick, V. P., Gebremichael, M., Dennis, S. O., & Harrison, R.
E. (2010). Review of Satellite Remote Sensing Use in Forest Health Studies. The Open
Geography Journal, 3(1), 2842. http://doi.org/10.2174/1874923201003010028
Wang, L. T., & Deliberty, T. L. (2005). Landsat Atmospheric Correction: The Good , the Bad
, and the Ugly. ESRI International User Conference, 115.
Wang, Q., Adiku, S., Tenhunen, J., & Granier, A. (2005). On the relationship of NDVI with
leaf area index in a deciduous forest site. Remote Sensing of Environment, 94(2), 244
255. http://doi.org/10.1016/j.rse.2004.10.006
Wilkes, P. T. V. (2016, January 13). Assessment of forest canopy vertical structure with
multi-scale remote sensing: from the plot to the large area. University of Twente,
Enschede, The Netherlands. Retrieved from
http://www.itc.nl/library/papers_2016/phd/wilkes.pdf
Xu, C., Li, Y., Hu, J., Yang, X., Sheng, S., & Liu, M. (2012). Evaluating the difference
between the normalized difference vegetation index and net primary productivity as the
indicators of vegetation vigor assessment at landscape scale. Environmental
Monitoring and Assessment, 184(3), 12751286. http://doi.org/10.1007/s10661-011-
2039-1
Xu, D., & Guo, X. (2015). Some Insights on Grassland Health Assessment Based on Remote
Sensing. Sensors, 15(2), 30703089. http://doi.org/10.3390/s150203070
Yang, X., & Guo, X. (2014). Quantifying responses of spectral vegetation indices to dead
materials in mixed grasslands. Remote Sensing, 6(5), 42894304.
http://doi.org/10.3390/rs6054289
Yu, G., Yu, Q., Hu, L., Zhang, S., Fu, T., Zhou, X., Jia, H. (2013). Ecosystem health
assessment based on analysis of a land use database. Applied Geography, 44, 154
164. http://doi.org/10.1016/j.apgeog.2013.07.010
Zhang, Y. M., Chen, J., Wang, L., Wang, X. Q., & Gu, Z. H. (2007). The spatial distribution
patterns of biological soil crusts in the Gurbantunggut Desert, Northern Xinjiang, China.
Journal of Arid Environments, 68(4), 599610.
http://doi.org/10.1016/j.jaridenv.2006.06.012
Zhongming, W., Lees, B. G., Feng, J., Wanning, L., & Haijing, S. (2010). Stratified vegetation
cover index: A new way to assess vegetation impact on soil erosion. CATENA, 83(1),
8793. http://doi.org/10.1016/j.catena.2010.07.006
Zhou, Y., Zhang, L., Xiao, J., Chen, S., Kato, T., & Zhou, G. (2014). A Comparison of
Satellite-Derived Vegetation Indices for Approximating Gross Primary Productivity of
Grasslands. Rangeland Ecology & Management, 67(1), 918.
http://doi.org/10.2111/REM-D-13-00059.1
Zhu, G., Ju, W., Chen, J. M., & Liu, Y. (2014). A Novel Moisture Adjusted Vegetation Index
(MAVI) to Reduce Background Reflectance and Topographical Effects on LAI Retrieval.
PLoS ONE, 9(7), e102560. http://doi.org/10.1371/journal.pone.0102560
160