caracterización espacial de los tipos de cobertura … on remote sensing data. rev. fac. agron....

40

Caracterización Espacial de los Tipos de Cobertura deSuelo usando Técnicas Geoestadísticas

a partir de Información Satelital

M. I. ALPERÍN, V. G. BORGES & R. SARANDÓN1

(1) Gabinete de Ecometría, Cátedra de Estadística; Facultad de Ciencias Naturales y Museo;Universidad Nacional de La Plata. Museo de La Plata

E-mail: [email protected]

ALPERÍN, M. I., V. G. BORGES & R. SARANDÓN. 2002. Caracterización Espacial de los Tipos de Cobertura deSuelo usando Técnicas Geoestadísticas a partir de Información Satelital. Rev. Fac. Agron. 105(1): 40-51.

A fin de caracterizar los patrones espaciales de los diferentes tipos de cobertura del suelo (TCS), seanalizó por métodos geoestadísticos un mapa de TCS, derivado de la clasificación de una imagensatelital de un sector de la provincia de Buenos Aires, que incluía 7 tipos de coberturas: PastizalesAlta Cobertura (PAC), Pastizales Baja Cobertura (PBC), Cultivo (CUL) Vegetación Palustre y/o Agua(VPA), Montes (MON), Pradera Húmeda (PRH) y Urbano (URB). Se evaluaron los componentesespaciales de cada TCS a partir de variogramas omnidireccionales experimentales, ajustándolos amodelos de referencia. La heterogeneidad de cada TCS exigió utilizar una estrategia que implicó elmuestreo de la imagen temática con diferentes grado de resolución y dimensión del área de análisis.La distribución espacial de los TCS en la imagen es irregular sin ser aleatoria; mientras que la di-mensión de cada uno es relativamente estable, aunque diferentes entre sí. Los modelos que mejorajustan los variogramas experimentales son distintos según el TCS, siendo exponencial para PBC,PAC, PRH y CUL; esférico para URB, aleatorio para VPA y exponencial o aleatorio para MON. Losparámetros geoestadísticos de los modelos de ajuste calculados para cada TCS, indican diferenciasestructurales en su distribución espacial a escala de parche (proporción no explicada por el modelo),paisaje (modelo) o región (diferencias entre sectores), que pueden relacionarse con el uso. La apli-cación de técnicas geoestadísticas a información derivada de imágenes satelitales permite identifi-car y diferenciar los patrones espaciales de los TCS existentes en la misma, por lo que puede servirde base para definir estrategias de análisis y monitoreo del uso del suelo.

Palabras claves: variograma, patrón espacial, sensores remotos, uso del suelo, evaluación ecológica

ALPERÍN, M. I., V. G. BORGES & R. SARANDÓN. 2002. Land cover spatial analysis using geostatisticaltools on remote sensing data. Rev. Fac. Agron. 105(1): 40-51.

In order to characterize the spatial pattern of different land cover types (TCS) we applied geostatisticalanalysis on a land cover map obtained from a classification of a satellite image of a sector of theBuenos Aires province. The map included 7 land cover types (TCS): high cover grassland (PAC), lowcover grassland (PBC), agriculture (CUL), wetland vegetation and/or water (VPA), forest (MON), humidpraire (PRH) and urban areas (URB). We evaluated the spatial components of each TCS on the basisof omnidirectional experimental variograms, adjusted to specific models. Due to the high heterogeneityof the TCS we used a strategy based on sampling the thematic image with different degree of resolutionand extension. The spatial distribution of the TCS in the image is irregular but no random; while thesize of each TCS is quite stable but different among each other. The models that best adjust thevariograms are different depending on the TCS: exponential for PBC, PAC, PRH and CUL; sphericalfor URB, random for VPA and exponential or random for MON. The geostatistical parameters for themodel calculated for each TCS, show structural differences in the spatial distribution at a patch (nonexplained proportion of the model), landscape (model) and regional scale (differences among sectors),which may be related to land use. The use of geostatistical analysis on information derived fromsatellite images allows the identification and differentiation of the TCS’s spatial pattern, and may beused to develop strategies for the analysis and monitoring of land use.

Key words: variogram, spatial pattern, remote sensing, land use, environmental assessment

Recibido: 28/11/01. Aceptado: 17/3/03.

ISSN 0041-8676, Facultad de Ciencias Agrarias y Forestales, UNLP, Argentina.

Revista de la Facultad de Agronomía, La Plata 105 (1), 2002

41

INTRODUCCIÓN

El uso del suelo para distintas actividadeshumanas, ya sean productivas, vivienda o in-fraestructura de desarrollo, es uno de los fac-tores que más condiciona las característicasestructurales y funcionales de los ecosistemasterrestres a escala regional (Forman & Godron,1995). El patrón de usos del suelo responde acausas socioeconómicas y ecológicas y tieneimportantes consecuencias sobre el paisajeregional, modificando los procesos ecológicos(Treweek, 1999) y los patrones de biodiversi-dad (Matteucci et al., 1999). Más aún, el pa-trón de uso del suelo es una característica di-námica del territorio, variando en función deltiempo y del espacio, por lo que su caracteri-zación y análisis representa un desafío en símismo.

Los sensores remotos, especialmente lasimágenes satelitales, constituyen una impor-tante fuente de información para mapear ycaracterizar el uso del suelo y la estructura delpaisaje a escala regional. Por otro lado, lageoestadística constituye una herramientaadecuada para efectuar el análisis espacial dela información (Isaaks & Srivastava, 1989).Desarrollada originalmente para aplicacionesen geología de minas, recientemente se hautilizado también en estudios ecológicos y parala evaluación de recursos naturales (Rossi etal., 1992; Goovaerts, 1997). Por ejemplo, Rossiet al. (1992) analizan distintas herramientasgeoestadísticas útiles para examinar el patrónespacial de organismos y genotipos en rela-ción con diversos componentes ambientales.El análisis espacial de la información ecológi-ca contenida en las imágenes satelitales pue-de estar orientado hacia la clasificación de lostipos de cobertura (Atkinson & Lewis 2000), almapeo de los ecosistemas (Treweek, 1999) ohacia la caracterización de los patrones espa-ciales tanto de paisajes (Curran, 1988, Woo-dcok et al., 1988a; 1988b) como de comuni-dades vegetales (Cohen et al., 1990, Wallaceet al., 2000).

El objetivo del presente trabajo es carac-terizar el patrón espacial de diferentes tiposde cobertura del suelo (TCS) aplicando herra-mientas geoestadísticas sobre informaciónobtenida de una imagen satelital. Específica-mente abordamos la cuestión de si existendistintos patrones espaciales para los distin-tos tipos de cobertura del suelo que se dife-rencian por el tipo de uso o grado de influen-cia antrópica. O, lo que es lo mismo, qué as-pectos o parámetros del patrón espacial cam-bian en función del tipo de uso de cada TCS.Nuestra intención es lograr una caracteriza-ción cuantitativa del patrón espacial de cadaTCS, la que puede ser utilizada posteriormen-te para analizar las causas socioeconómicasque lo generan o sus consecuencias ecológi-cas.

MATERIALES Y MÉTODOS

Area de EstudioEl estudio se realizó sobre un mapa de

usos o TCS derivado de la clasificación de unaimagen satelital Landsat TM correspondientea un sector del partido de General Brandsen,provincia de Buenos Aires, Argentina. El áreatiene una superficie de 421,48 km2, correspon-diendo a una planicie de pastizales naturalesbajo un uso predominantemente agrícola-ga-nadero, con depresiones ocupadas por baña-dos y lagunas y centros urbanizados de dife-rente importancia. Se identificaron en estesector 7 tipos de cobertura del suelo: Pastiza-les Alta Cobertura (PAC), Pastizales Baja Co-bertura (PBC), Cultivo (CUL) Vegetación Pa-lustre y/o Agua no permanente (VPA), Montes(MON), Pradera Húmeda (PRH) y Urbano(URB) (Guerrero Borges et al., información nopublicada).

Análisis y caracterización espacialEl análisis geoestadístico se utilizó para

evaluar los componentes espaciales de cadaTCS por medio del variograma que constituye

ALPERÍN et al. Caracterización Espacial de los Tipos de Cobertura de Suelo...

42

una síntesis espacial promediada de las dife-rencias en los valores numéricos de pares depixeles distantes entre sí un vector h (Figura1) y que representa gráficamente la variabili-dad espacial de un grupo de datos (Isaaks &Srivastava, 1989).

Los variogramas se calcularon a partir deun modelo que considera los objetos (i.e., cadaTCS) ubicados sobre un fondo o “background”único. En este contexto los valores que puedeasumir cada unidad de información (i.e., elpixel) puede pertenecer sólo a una de las doscategorías posibles, objeto o fondo, por lo quese convierten en variables categóricas o indi-cadoras (“indicator coding” sensu Rossi et al.,1992). Se calcularon variogramas unidimen-sionales omnidireccionales, con un paso (i.e.,“lag”) de uno.

Se utilizó una estrategia que implicó to-mar ventanas del mapa temático con diferen-te grado de resolución según el TCS que seestuviera caracterizando (distintos soporte entérminos geoestadísticos). Las ventanas seseleccionaron al azar dado que para nuestroestudio se asume que los TCS son variablesregionalizadas que cumplen con la hipótesisde estacionariedad. En todos los casos cadaventana incluía 1089 pixeles de diferente ta-

maño para cada TCS. Dada la marcada inte-rrelación entre escala y textura, el tamaño depixel se seleccionó de forma tal que permitie-ra conservar el patrón espacial de cada TCS(Curran & Atkinson, 1999). El número de ven-tanas utilizadas varió en cada TCS a fin deincluir un área que en conjunto ocupara almenos un 10% del área cubierta por cada TCS.Así para PRH se analizaron 3 ventanas conresolución 90 m, seis para CUL (60 m), trespara VPA (90 m), tres para MON (60 m), trespara URB (30 m) correspondiente a la ciudadde Brandsen, cuatro para PBC y tres para PAC,ambas de 180 m de resolución. En cada unade las ventanas muestreadas para cada TCS,se tomaron todos los valores de una grilla re-gular de 33 x 33 pixeles (dando un total de1089 unidades de información). Se consideróuna tolerancia de 0,5 para incluir en cada pasolos 8 pixeles vecinos (no sólo los pixeles ubi-cados en los ejes de la grilla x-y, sino tambiénlos de los vértices vecinos).

Para poder definir y cuantificar las carac-terísticas espaciales de cada TCS, una vezcalculados los variogramas experimentales (apartir de los datos de la imagen temática), seajustaron a modelos de referencia cuyos pa-rámetros se relacionan al patrón de distribu-ción espacial del objeto (i.e., TCS): la propor-ción del área ocupada, la variabilidad en eltamaño de los objetos (Goovaerts, 1997; Wo-odcock et al., 1988a; 1988b). Tal como lo acon-seja la literatura geoestadística (Samper Cal-vete & Carrera Ramírez, 1990; Goovaerts,1997), el ajuste se realizó en forma visual (“vi-sual approximation” o “visual modeling”). Estopermitió estimar y comparar los parámetros devariación espacial de cada TCS obteniéndoseinformación cuantitativa sobre: el patrón regio-nal (diferencias en los parámetros del vario-grama experimental obtenido en distintas ven-tanas); el patrón espacial (a través del mode-lo de ajuste), incluyendo el tamaño máximode parche, la variabilidad en los tamaños delparche, la densidad y la forma del parche.

Todos los cálculos se hicieron utilizando

Figura 1. Variograma genérico indicando para unmodelo esférico y uno exponencial, la estimaciónde los valores de meseta, rango y pepita.

Generic variogram showing for a spheric and anexponential model the estimation of sill, rank andnut.


43

el programa Variowin (Pannatier, 1994) quepermite estimar: i) el grado de ajuste (IGF: In-dicative Goodness of Fit) de los datos al mo-delo (valores cercanos a cero indican un buenajuste); ii) el efecto Pepita (nugget value) co-rrespondiente a la variabilidad aleatoria inhe-rente; iii) el rango de influencia o alcance (ran-ge of influence) que corresponde a la distan-cia a la cual las muestras se tornan indepen-dientes; iv) la meseta (sill) correspondiente ala varianza estructural; v) el porcentaje de lavariabilidad debido al componente aleatorio(%NE = EP*100/Meseta); y vi) la varianza es-tadística de la muestra (s2).

RESULTADOS

Los tipos de coberturas dominantes en elárea de estudio están representados por lospastizales de alta y baja cobertura (PAC yPBC), con un 42,64% y 27,08% respectiva-mente los que corresponden a paisajes endonde predomina la actividad ganadera. Lascoberturas de uso agrícola (CUL) ocupan un22,15% del área total, mientras que el restode los TCS presenta bajas frecuencias relati-vas.

Visualmente se observa que la distribu-ción espacial, el tamaño y la forma de cadaTCS determina una textura heterogénea de laimagen, en la que se entremezclan grano grue-so, mediano y fino. Más aún, se observa queel patrón espacial cambia según el TCS con-siderado (Figura 2): tiende a ser aleatorio enPAC y VPA; mientras que en los restantes elpatrón se muestra agrupado en manchones.En CUL y PBC los agregados o manchonesson de diferentes formas y tamaños; mientrasque en PRH y MON son entre sí de tamañosimilar pero de forma diferente. Sólo CUL yPRH presentan cierta linealidad paralela a loscursos de agua permanentes; mientras queURB está restringido a las ciudades y pobla-dos existentes en el área (ie., Brandsen en elnoroeste y Jeppener en el centro del área de

estudio).El resultado del análisis geoestadístico

indica que los diferentes TCS muestran dis-tintos patrones espaciales en la imagen temá-tica analizada (Figura 3). En seis de los sieteTCS estudiados los variogramas experimen-tales obtenidos para las distintas ventanasanalizadas fueron similares entre sí (Figura 3).Cuatro de los TCS ajustan mejor al modeloexponencial: PAC, PBC, CUL y PRH; sólo URBajustó mejor al modelo esférico; mientras queen VPA es totalmente aleatorio. Finalmente,el MON mostró en dos ventanas un modeloaleatorio y en otros ajustó a un modelo expo-nencial. Los modelos de ajuste se diferencianpor la manera que se alcanzan los paráme-tros del variograma experimental (Figura 1).El modelo exponencial es lineal en su origen,se torna redondeado y alcanza el valor de lameseta en forma asintótica; el rango se defi-ne en forma práctica al 95% de la meseta. Elmodelo esférico, en cambio, es lineal en suinicio y alcanza el valor de la meseta a la dis-tancia que corresponde al rango. Finalmente,el modelo aleatorio se caracteriza por mostrarun valor de gamma prácticamente constante(i.e., efecto pepita puro). La Tabla 1 sintetiza losvalores de los parámetros de ajuste de los va-riogramas experimentales para cada TCS, cu-yas características se describen a continuación.

Los PAC mostraron variogramas experi-mentales similares en las diferentes ventanas,ajustando a un modelo exponencial. La formadel variograma redondeada, indica que lassuperficies cubiertas por los PAC son de ta-maño variable. El efecto pepita varía entre 0,12y 0,18, mientras que la meseta se alcanzó aun rango entre los 4 y 5,5 pixeles. Conside-rando que el tamaño de pixel utilizado en esteTCS fue de 180 m, esto indica un tamaño deparche máximo entre 720 y 990 m, es decir unárea aproximada de 52 a 98 ha.

En los variogramas de los PBC se obser-van dos estructuras una de menor escala (quecorresponde a la que efectivamente ha sidomodelada), y otra a una escala mayor. La pri-


44

Figura 2. Sector de la imagen (resolución 30 m) mostrando el patrón espacial de cada TCS (valor del pixel1, en negro) sobre el fondo (valor 0, en blanco). La escala de cada una se ha variado para facilitar lainterpretación visual. PAC (pastizal alta cobertura), PBC (pastizal baja cobertura), CUL (cultivo), PRH(pradera húmeda), MON (monte), URB (urbano), VPA (vegetación palustre y/o agua).

Portion of a satellite image (30 m resolution) showing the spatial pattern for each TCS (pixel value 1, inblack) on a background (value 0 in white). The scale for each TCS has been adjusted to improve the visualinterpretation. PAC (high cover grassland), PBC (low cover grassland), CUL (agriculture), PRH (humidpraire), MON (forest), URB (urban areas), VPA (wetland vegetation and/or water).


CUL

MON

PRH

URB

VPA

PAC PBC

PRHCUL

MON URB

VPA

45

mera estructura se ajusta a un modelo expo-nencial, mientras que la segunda insinúa unmodelo lineal. Debido a la forma suavementeredondeada existe una alta heterogeneidad deltamaño de los parches. El efecto pepita varíaentre 0,10 y 0,15 alcanzando la meseta a unvalor de rango entre 4,5 y 8 pixeles, a partirdel cual se evidencia un incremento lineal as-cendente. Considerando que el pixel utilizadoen este TCS fue también de 180 m, el tamañode parche sería entre 810 y 1440 m, es decirun área aproximada de 65 a 207 ha.

Tabla 1. Síntesis de los valores de los parámetros de ajuste de 3 de los variogramas experimentales paracada uno de los TCS (V1 a Vi ventana 1 a i). Exp: Exponencial; Esf: Esférico; EP: Efecto Pepita; C:Variabilidad estructurada; %NE: Porcentaje de variabilidad No explicada (EP/Meseta)*100; IGF: índice demejor ajuste.

Summary of model parameters for 3 of the experimental variograms estimated for each TCS (V1 to Viwindow 1 to i). Exp: Exponential; Esf: Spheric; EP: nugget effect; C: Structural variability; %NE: proportionof Non explained variability (EP/Meseta)*100; IGF: Index of good fit.

TCS Modelo EP Rango C Meseta % NE IGF σ2

PAC V1 Exp 0,12 5,6 0,07 0,19 63,16 1,09 10-3 0,25PAC V2 Exp 0,18 5,6 0,06 0,24 75,00 2,60 10-3 0,24PAC V3 Exp 0,15 5,2 0,08 0,23 65,22 1,80 10-3 0,24

PBC V1 Exp 0,12 7,47 0,07 0,19 63,16 1,01 10-3 0,25PBC V2 Exp 0,09 4,41 0,10 0,19 47,37 3,20 10-3 0,23PBC V3 Exp 0,15 5,55 0,09 0,24 62,5 1,04 10-3 0,24

CUL V2 Exp 0,07 4,23 0,18 0,25 28,00 9,01 10-3 0,25CUL V4 Exp 0,05 13,09 0,17 0,22 22,73 4,68 10-3 0,21CUL V5 Exp 0,02 8,82 0,19 0,21 9,52 3,17 10-3 0,19

PRH V1 Exp 0,03 15,29 0,23 0,26 11,54 2,60 10-3 0,19PRH V2 Exp 0,04 12,39 0,17 0,21 19,05 1,76 10-3 0,18PRH V3 Exp 0,02 7,55 0,08 0,10 20,00 8,80 10-3 0,09

MON V1 Puro 0,03MON V2 Exp 0,03 17,9 0,07 0,10 30,00 5,65 10-3 0,07MON V3 Puro 0,02

URB V1 Esf 0,09 3,67 0,11 0,20 45,00 3,36 10-3 0,25URB V2 Esf 0,10 3,11 0,17 0,27 37,04 3,80 10-3 0,23URB V3 Esf 0,09 3,14 0,13 0,22 40,91 4,28 10-3 0,24

VPA V1 Puro 0,05VPA V2 Puro 0,05VPA V3 Puro 0,03

En los CUL, los variogramas presentan uncomportamiento similar entre sí y se ajustan aun modelo exponencial. Muestra valores ini-cialmente bajos de gamma entre 0,02 y 0,10alcanzando gradualmente la meseta a un ran-go que oscilan entre 4,23 y 13 pixeles. Consi-derando que el pixel utilizado en este TCS fuede 60 m, el tamaño de parche oscilaría entre250 y 780 m, es decir un área aproximada de6,4 a 60 ha. La forma del variograma suave-mente redondeada indica que hay una altaheterogeneidad en el tamaño de las parcelas.


46


Figura 3. Variogramas experimentales de las diferentes ventanas para cada TCS.

Experimental variograms for each window and TCS.

47

La PRH muestra 2 tipos de variogramas,que se ajustan a un modelo exponencial. Am-bos se caracterizan por valores muy bajos deefecto pepita, lo que indica una gran homoge-neidad dentro del TCS. En ambos el incremen-to es gradual hasta alcanzar la meseta a unrango diferente en uno y otro: de 7,55 y 15,3pixeles respectivamente. Considerando que elpixel utilizado en este TCS fue de 90 m, el tama-ño de parche correspondiente a cada uno deellos sería de 679 y 1377 m, es decir un áreaaproximada de 46 y 190 ha respectivamente.

Los MON incluyen a las plantaciones fo-restales, que son de formas macizas, y a lascortinas forestales que son de formas linea-les. Esto tiene como resultado que algunosvariogramas experimentales (correspondien-tes a las cortinas forestales) sean esencial-mente planos y exhiban un comportamientoaleatorio (efecto pepita puro). Por otra parte,el variograma correspondiente a las plantacio-nes forestales, muestra un buen ajuste a unmodelo exponencial. Considerando que el pixelutilizado en este TCS fue de 60 m, el tamaño delparche sería aproximadamente de 1080 m, esdecir un área aproximada de 116 ha.

Los variogramas experimentales de lossectores urbanos (URB) se ajustaron mejor almodelo esférico, elevándose abruptamentedesde el inicio hasta alcanzar la meseta a unrango levemente por encima de 3 pixeles, loque indicaría superficies de tamaños homo-géneos. Considerando que el pixel utilizadoen este TCS fue de 30 m, el tamaño del parchesería aproximadamente de 93 a 110 m, es decirun área aproximada entre 0,87 y 1,21 ha.

Finalmente, los variogramas experimen-tales de los sectores con Vegetación palustrey/o agua no permanente (VPA) no se ajusta-ron a ningún modelo mostrando un comporta-miento aleatorio.

DISCUSIÓN

Una primera inspección visual de la ima-gen de los distintos TCS muestra una superfi-cie heterogénea. Esto es debido a que en ella

se entremezclan TCS con diferente grado decobertura y de agregación, y distintos tama-ños y forma de los parches. Al aislar cada TCSy contrastarlos sobre un fondo homogéneo,transformando cada TCS en variable indica-dora, se percibe que el patrón de distribuciónespacial es diferente para los distintos TCS.El patrón de distribución espacial de los TCSse muestra homogéneo y aleatorio en algu-nos casos, ya sea con una alta (i.e., PAC) obaja densidad (VPA), o agrupado en mancho-nes de grano fino (i.e., PBC) o grano grueso(CUL).

El análisis geoestadístico de cada uno deellos, efectuado a través del cálculo de vario-gramas experimentales de cada TCS comovariable indicadora, confirma esta percepción,más aún, permite cuantificar las diferencias enel patrón espacial de cada TCS. La variabili-dad espacial se modela y cuantifica por me-dio del ajuste de los variogramas experimen-tales a modelos de referencia, determinandoluego los parámetros referentes a la varianzaaleatoria o efecto pepita, al rango, a la mese-ta y la forma o tipo de modelo. Los resultadosobtenidos indican que los modelos que mejorajustan los variogramas experimentales sondistintos según el TCS, siendo exponencialpara PBC, PAC, PRH y CUL; esférico paraURB, aleatorio para VPA y exponencial o alea-torio para MON (dependiendo los sectoresmuestreados).

Los parámetros del variograma puedenrelacionarse con ciertas características quehacen al patrón de distribución espacial de losobjetos (Woodcock et al., 1988a; 1988b). Ennuestro caso, los parámetros calculados indi-can diferencias estructurales en las propieda-des espaciales de cada TCS. Los variogramascorrespondientes a PAC, PBC, CUL y URBalcanzan altos valores de gamma h (i.e., me-seta) que indica una alta densidad de los ob-jetos o parches correspondientes a esos TCS.Por el contrario, PRH, MON y VPA muestranvalores bajos de densidad. Por otro lado, losvalores de rango se relacionan con el tamañode los parches mientras que el modelo de ajus-te se relaciona con su distribución de tama-


48

ños (Woodcock et al., 1988a; 1988b). Esto haposibilitado inferir el tamaño máximo de losparches de cada TCS y el grado de heteroge-neidad en el tamaño de ellos. En este sentido,es llamativo el caso de URB que mostró unbuen ajuste a un modelo esférico, que se aso-cia a una distribución homogénea de tama-ños de parche de aproximadamente 1 ha loque se relaciona con el típico parcelamientode áreas urbanas en la región pampeana. Losvalores correspondientes a los otros TCS in-dican, en todos los casos, una mayor hetero-geneidad de tamaños de parches. Los tama-ños de cada parche mostraron una clara rela-ción con el uso, siendo menores en aquellosusos más intensivos, como la agricultura (CUL)y mayores en los usos mas extensivos comoson los campos naturales bajo ganadería (PACy PBC).

Además, el porcentaje de variación alea-toria muestra valores altos (%NE en generalmayores al 60 %) en los TCS correspondien-tes a actividades ganaderas (PAC y PBC) in-dicando una alta variabilidad interna debidoprobablemente a la presencia de sectoresbajos, suelos azonales, pequeñas charcastemporarias, que incrementan la heterogenei-dad de cada parche. Por el contrario, los TCScorrespondientes a CUL y MON muestran unbajo porcentaje de variación aleatoria (%NEmenor al 30 %), indicando una alta homoge-neidad dentro de cada TCS. Esto puede de-berse al patrón regular de disposición espa-cial propio de los campos agrícolas y planta-ciones forestales plantadas. Es llamativo, eneste sentido, la baja proporción de variabili-dad aleatoria que muestra la PRH, posible-mente debido a una uniformidad en las condi-ciones ambientales limitantes o extremas pro-pias de esos hábitats (i.e., anegamiento).

Tal como han sido descriptas más arriba,las propiedades estructurales del variogramase relacionan esencialmente con la distribu-ción de los tamaños de los parches ocupadospor cada TCS a una escala de paisaje. Comolos variogramas obtenidos para cada TCS co-

rresponden a muestreos en distintas porcio-nes de la imagen temática, sus diferenciaspermiten inferir el grado de heterogeneidad enesa distribución espacial a una escala regio-nal. Los variogramas fueron muy similaresentre sí en el caso de URB y PAC, lo que indi-caría que el patrón de distribución espacial essimilar en distintos sectores de la imagen. Enel caso de URB esto se vincularía simplemen-te a un mismo patrón de parcelamiento en dis-tintos pueblos de la región. En el caso de PAC,en tanto, podría estar indicando un patrón he-terogéneo de tamaños de parches uniformeen todo el territorio. Por el contrario, los vario-gramas de CUL fueron diferentes entre sí res-pondiendo probablemente a la existencia desectores agrícolas con diferente modelo deparcelamiento correspondiente a sectorescercanos a los centros poblados, donde predo-minan las actividades hortícolas, y sectores másalejados dedicados al cultivo de cereales.

Como los diferentes TCS responden al usoactual del suelo para distintas actividades (pro-ductivas, residenciales, naturales), las carac-terísticas espaciales de los TCS dependentanto de las características ecológicas del si-tio como de factores socioeconómicos y tec-nológicos. Los TCS más frecuentes (alta den-sidad) corresponden a PBC y PAC, en dondese desarrollan actividades ganaderas sobrecampos naturales, generalmente de grandesextensiones (de 50 a 200 ha), en suelos quemayormente son altos y bien drenados. Comolo confirma el análisis, estas superficies no sonhomogéneas sino que presentan cierta hete-rogeneidad en las características topográficas(bajos, lomas), edáficas (contenido salino) ybióticas (comunidades azonales). En esta re-gión cuya topografía general es plana, las pe-queñas diferencias en la posición topográficageneran cambios importantes en la dinámicadel agua, el desarrollo y tipo de suelo, la sali-nidad, el tipo de comunidad vegetal, incluyen-do la composición específica y la dinámicatemporal (productividad, fenología de las es-pecies) (León et al., 1979).


49

Por otro lado, en aquellos sectores altos ybien drenados, con suelos aptos para la agri-cultura los campos se dedican a los cultivos(CUL). Las parcelas son de menor tamaño (5a 60 ha), aunque variables en el espacio (sec-tores hortícolas y agrícolas), mostrando unamayor uniformidad interior debido a la homo-geneidad que imprimen las labores agrícolas(arado, siembra uniforme). Las áreas margi-nales, desde un punto de vista productivo,están relacionadas con los sectores topográ-ficamente más bajos, anegables (PRH) u ocu-padas temporaria o permanentemente porcuerpos de agua (VPA). Ambas son poco fre-cuentes en esta región (baja densidad), ocu-pando la PRH áreas relativamente grandes (50a 200 ha) y mostrando llamativamente una altahomogeneidad interna. Las VPA, por su lado,no tienen un uso productivo específico mos-trando coincidentemente, un patrón espacialsin estructura (i.e., modelo aleatorio). Los MONson poco frecuentes, siguiendo un modeloexponencial o aleatorio que corresponde a lasdistintas funciones (cortinas forestales, mon-tes productivos) y cuyo patrón espacial resul-ta, en consecuencia, mas o menos estructu-rado.

Además, los diferentes TCS se diferencianpor el grado de antropización, siendo mayoren URB y menor en VPA (extremos del gra-diente de antropización). Los variogramas decada uno de ellos mostraron también propie-dades espaciales distintas. Los TCS más an-tropizados (URB) fueron los únicos que mos-traron un buen ajuste a un modelo esférico,siendo además todos los variogramas experi-mentales obtenidos en las distintas ventanassimilares entre sí, indicando un patrón espa-cial homogéneo a escala de paisaje y regio-nal. Los TCS correspondientes a situacionesde antropización intermedia (PAC, PBC, CUL,PRH) se ajustaron mejor a un modelo expo-nencial; indicando una alta heterogeneidad aescala de paisaje. Su variabilidad espacial aescala regional, sin embargo, fue distinta: PACy PBC mostraron mayor homogeneidad (i.e.,

similares variogramas experimentales) queCUL y PRH. Por otro lado, la variabilidad alea-toria (heterogeneidad dentro del parche) fuebaja en CUL, MON y PRH, en tanto fue alta enPAC y PBC. El PRH mostró, en consecuen-cia, una alta heterogeneidad a escala de pai-saje y a escala regional, siendo homogéneo aescala de parche.

Estas diferencias tienen condicionantes yconsecuencias de importancia ecológica. Porun lado, las áreas menos modificadas sonaquellas cercanas a cuerpos de agua, áreasanegables que permanecen inundadas pordiferentes lapsos, por lo que están sometidasa una baja intensidad de uso actual. Coinci-dentemente estos sectores están ocupadospor los TCS que mostraron una mayor hetero-geneidad a escala de paisaje y regional (PRH)o cuyo patrón espacial fue estrictamente alea-torio (VPA). Por el otro, cada TCS comprendeun conjunto de condiciones ambientales quedeterminan la calidad del hábitat para espe-cies de la flora y fauna nativa, por lo que unamayor heterogeneidad de hábitat suele corres-ponderse a una mayor biodiversidad (Matteuc-ci et al., 1999). Los ambientes que mostraronuna mayor variabilidad espacial a escala depaisaje o regional (PRH; VPA) correspondena aquellos ambientes menos antropizados (demenor uso actual). Si bien estos TCS presen-tan una relativa baja densidad (son regional-mente raros en un ambiente relativamentemodificado), su alta heterogeneidad espacial(a escala de paisaje y región) podría estarcondicionando la alta densidad y diversidadespecífica en esta región, de ciertos gruposde especies que son dependientes de estosambientes acuáticos (lagunas, charcas tem-porarias) como es la avifauna de ambientesde humedal (Gómez & Toresani, 1999).

El patrón de uso del suelo es dinámico,por lo que es dable esperar cambios en lascaracterísticas espaciales regionales en fun-ción del tiempo. Como el análisis geoestadís-tico permite cuantificar dicho patrón espacial,es posible realizar comparaciones entre loca-


50

lidades (similar a lo realizado entre sectoresde la imagen temática) o entre momentos (es-taciones, años). Por otro lado, se ha puestoen evidencia que el patrón espacial a escalade parche, paisaje y región es diferente paralos distintos TCS que tienen distinto grado deantropización y/o tipo de uso (urbano, agríco-la, ganadero, forestal). En consecuencia, cier-tas características espaciales de los TCS pue-den utilizarse para monitorear sus cambios através del tiempo. El monitoreo de los TCSpuede estar enfocado tanto a los cambios enel uso del suelo en sí mismos, como a la cali-dad del hábitat para ciertas especies de la flo-ra y fauna nativa, o para la biodiversidad a unaescala regional. Esta capacidad de monitoreoes importante en relación con los cambiospotenciales que pueden ocurrir en una regiónpor una intensificación en las actividades pro-ductivas, tanto agrícolas como ganaderas opor el desarrollo de infraestructura y otros pro-cesos de urbanización. Por ejemplo, existeactualmente una tendencia al incremento delas actividades agrícolas en la región pampea-na, debido a que muchas áreas de produc-ción ganadera (incluyendo la producción le-chera) se están volcando hacia la producciónde soja. Igualmente es probable un incremen-to de las áreas dedicadas a la producción fo-restal y a las urbanizaciones. Es de esperar,entonces, que los cambios ocasionen un au-mento de la superficie cultivada (CUL), fores-tada (MON) o urbanizada (URB) en la regiónen desmedro de la actividad ganadera sobrecampos naturales (PAC, PBC). Este cambioen el uso del suelo puede tener consecuen-cias sobre la biodiversidad regional de la fau-na pampeana terrestre, por disminución de suhábitat natural (el pastizal pampeano) e incre-mento de hábitat más artificiales (cultivos,plantaciones). Por el contrario, es improbableque se produzcan modificaciones importantesen la superficie ocupada por los humedales(VPA, PRH) ya que ellos se encuentran ensectores marginales (improductivos), por loque las comunidades animales (avifauna) re-

lacionadas con ellos es probable que no veanafectada la disponibilidad de su hábitat (aun-que es posible que ocurran modificaciones enla calidad de los mismos por problemas decontaminación con agroquímicos). Este cam-bio en el patrón de uso del suelo repercutirásobre los parámetros geoestadísticos de ma-nera diferente. Por un lado, es de esperar quelos parámetros no sean afectados significati-vamente a una escala de paisaje, ya que elmodelo predominante seguirá siendo EXP,debido a que tanto PAC, PBC, CUL o MONresponden a este modelo (salvo en las zonasurbanizadas que se hará ESF). Lo que sí seafectará significativamente, debido a los dife-rencias en la heterogeneidad interna de cadaparche por la uniformidad que ocasionan tan-to los cultivos como las plantaciones foresta-les, es la proporción de la varianza no expli-cada por el modelo (%NE). Este parámetroespacial muestra diferencias sustantivas en-tre los TCS de baja intensidad de uso (PAC yPBC muestran generalmente valores mayoresa 60%) y los de mayor intensidad de uso (CULy MON muestran valores menores a 30%), porlo que es de esperar que exista una disminu-ción en este parámetro geoestadístico comoconsecuencia de una intensificación en el usodel suelo en la región. El monitoreo de loscambios en el patrón espacial de uso del sue-lo, debe concentrarse en aquellos parámetrosgeoestadísticos que muestren mayor sensibi-lidad a los factores o procesos predominan-tes en cada región. En este caso, el %NE se-ría recomendable para el monitoreo del patrónespacial regional en relación con una even-tual intensificación de las actividades produc-tivas.

AGRADECIMIENTOS

Se agradece al revisor anónimo cuyoscomentarios contribuyeron a mejorar signifi-cativamente el manuscrito. El presente traba-


51

jo fue realizado en el marco del proyecto indi-cadores ambientales para el desarrollo sus-tentable (Código 11/N303) gracias al financia-miento del Programa de Incentivos del Minis-terio de Cultura y Educación de la Nación y dela Universidad Nacional de La Plata.

BIBLIOGRAFÍA

Atk inson, P. M. & P. Lewis . 2000.Geostatistical classification for remote sens-ing: an introduct ion. Computers & Geo-sciences 26: 361-371.

Cohen, W. E., T. A. Spies & G. A. Bradshaw.1990. Semivariograms of digital imagery foranalysis of conifer canopy structure. RemoteSensing of Environment 34: 167-178.

Curran, P. 1988. The semivariogram in remotesensing: an introduction. Remote Sensing ofEnvironment 24: 493-507.

Curran, P. & M. Atkinson. 1999. Issues of scaleand optimal pixel size. En Stein, A. (Ed.),Spatial Statistics for Remote Sensing. KluwerAcademic Publishers, Netherlands. pp: 115-133.

Forman, R. T. T. & M. Godron. 1995. LandscapeEcology. John Wiley & Sons, New York. 619 pp.

Gómez, S. E. & N. I. Toresani. 1999. Región 3:Pampas. En: Canevari, P; D. E. Blanco; E. H.Bucher; G. Castro y I. Davidson (Eds.), Loshumedales de la Argent ina. Wet landsInternational. Publicación Nº 46 (2da. Edición).Buenos Aires. 208 pp.

Goovaerts, P. 1997. Geostatistics for naturalresources evaluation. Oxford University Press,.New York. 483 pp.

Isaaks, E. & R. M. Srivastava. 1989. AppliedGeostatistics. Oxford University Press, NewYork. 561 pp.

León, R. J. C., S. Burkart & C. P. Movia. 1979.Relevamiento fitosociológico del pastizal delnorte de la “Depresión del Salado” (Partidosde Magdalena y Brandsen, Provincia de Bue-nos Aires). INTA Serie Fitogeográfica 17. Lavegetación de la República Argentina. SEAGN-INTA, Bs. As. 78 pp.

Matteucci, D. S., Solbrig O. T., Morello J. & G.Halffter (Eds). 1999. Biodiversidad y uso dela tierra. Conceptos y ejemplos de Latino-américa. Eudeba. UNESCO. Colección CEANo. 24, Buenos Aires. 580 pp.

Pannatier, Y. 1994. Variowin 2.1.GeostatisticalSoftware Programs. Pannatier Institute ofMineralogy and Petrography. University ofLausanne. Springer. Switzerland.

Rossi, R. E., D. J. Mulla & E. H. Franz. 1992.Geostat ist ical tools for model ing andinterpreting ecological spatial dependence.Ecological Monographs 62: 277-314.

Samper Calvete, F. J. & J. Carrera Ramírez.1990. Geoestadíst ica. Apl icaciones a lahidrogeología subterránea. Centro Internacio-nal de Métodos Numéricos en Ingeniería, Bar-celona. 484 pp.

Treweek, J. 1999. Ecological Impact Assessment.Blackwell Sc Ltd, Oxford. 351 pp.

Wallace, C. S. A., J. M. Watts & S. R. Yool. 2000.Character iz ing the spat ial structure ofvegetation communities in the Mojave Desertusing geostatistical techniques. Computers &Geosciences 26: 397-410.

Woodcock, C. E., A. H. Strahler & D. L. B. Jupp.1988a. The use of variograms in remotesensing: I. Scene Models and simulatesimages. Remote Sensing of Environment 25:323-348.

Woodcock, C. E., A. H. Strahler & D. L. B. Jupp.1988b. The use of variograms in remotesensing: II. Real digital images. RemoteSensing of Environment 25: 349-379.


caracterización espacial de los tipos de cobertura … on remote sensing data. rev. fac. agron....

Documents