método simple para la identificación de zonas homogéneas ... · el ndvi y la temperatura de...

Revista de Teledetección. ISSN: 1988-8740. 2008. 30: 92-10192


Método simple para la identificación de zonashomogéneas de NDVI y temperatura de superfi-cie en la Península Ibérica

C. Mattar, J. A. Sobrino, Y. Julien, B. Franch y R. [email protected]

1 Global Change Unit. Departamento de Física de la Tierra y Termodinámica.Universitat de València. Polígono La Coma s/n, 46980 Paterna, València, España.

Recibido el 15 de Octubre de 2008 , aceptado el 17 de Noviembre de 2008

RESUMENEn este trabajo se presenta una metodología

simple para la determinación de zonas homogé-neas de vegetación y temperatura de la superfi-cie, utilizando para ello los productos detemperatura de la superficie (LST) y NDVI des-arrollados a partir del sensor MODIS. El proce-dimiento se llevó a cabo para el año 2005analizando la Península Ibérica y el archipiélagoBalear. El método propuesto consta de elimina-ción de nubes, análisis de cluster, filtros espacia-les de paso bajo y un filtro temporal iterativo deLanczos. Esta metodología logra distinguir, parael año analizado, más de veinte clases, mos-trando una aplicación fenológica para cuatro deellas. Estas clases coinciden, en parte, con cu-biertas vegetales establecidas en el programaGLC2000.PALABRAS CLAVE: LST, NDVI, MODIS,cluster, zonas homogéneas, fenología.

ABSTRACTThis work presents a simple method to deter-

mine homogenous areas of vegetation and landsurface temperature, using for this purpose LandSurface Temperature (LST) and NDVI productsgenerating by MODIS images. This procedurewas carried out for year 2005 analyzing the Ibe-rian Peninsula and the Balear archipelago. Theproposed method consists in cloud removal, lowpass filters and Lanczos iterative filters. Thismethodology allows distinguishing for the analy-zed year, more than twenty classes, showing aphenologic application for four of them. Thoseclasses agree, in part, with the vegetation coversestablished by GLC2000 program.

KEYWORDS: LST, NDVI, MODIS, cluster, ho-mogenous areas, phenology

A simple method to identify homogeneous areasof NDVI and land surface temperature over theIberian Peninsula

INTRODUCCIÓN La zonificación de las distintas cubiertas de la su-

perficie terrestre es una tarea necesaria para estudiarel comportamiento temporal y estacional de las va-riables biofísicas de dichas áreas. Estas zonificacio-nes se pueden llevar a cabo utilizando distintos tiposde datos y empleando métodos univariantes o mul-

tivariantes, lo cual varía en función del tipo de zoni-ficación que se quiere encontrar en relación a una omás variables de interés.En términos generales y a escala global existen va-

riadas zonificaciones o clasificaciones para el estu-dio de variables biofísicas, las cuales pueden o nocontemplar la vegetación (Thornwaite, 1948; Kotteket al., 2006; Peel et al., 2007). Estas clasificaciones

Revista de Teledetección. ISSN: 1988-8740. 2008. 30: 92-101 93

fueron desarrolladas principalmente para escalas debaja resolución, haciendo difícil su aplicación paraun estudio local. Por otra parte, y debido principal-mente a los avances en teledetección, es posible en-contrar otro tipo de clasificaciones a escala global,en dónde la vegetación se ha incorporado como va-riable primordial y se han generado diferentes zonashomogéneas de cobertura vegetal a escala global(Bartolomé & Belward, 2005) o continental (Eva etal., 2004)El incremento en la necesidad de disponer de infor-

mación sobre la cobertura de la superficie terrestrejunto con el estudio de su dinámica espacio tempo-ral, es uno de los principales objetivos que se buscaa la hora de generar los mapas de clasificación glo-bal utilizando datos de satélite (Neumann et al.,2007). Esto ha llevado a la realización de diferentesprogramas con variados requerimientos y metodo-logías para generar distintos tipos de clasificacionesglobales, las cuales difieren en escalas de trabajo yla precisión de los resultados (Herold et al., 2006).Sin embargo, este tipo de clasificaciones no estáexento de problemas tales como; diferencia de fe-chas en los datos utilizados, diferencia en las resolu-ciones espaciales, resultados estáticos de lasclasificaciones (e.g. no se actualizan constante-mente), entre otros (Strahler et al., 1999). Debido alo anterior y producto de la dinámica que poseen losecosistemas terrestres, es necesario generar metodo-logías eficientes y útiles para zonificar coberturasnaturales terrestres.En la actualidad, una de las formas para determinar

zonas homogéneas utilizando datos de satélite es re-lacionar el NDVI (Normalized Difference VegetationIndex) con la temperatura de superficie (Nemani &Running, 1997). Esta relación ha evidenciado sufuncionamiento para la detección de parámetros bio-físicos de la superficie terrestre (evapotranspiracióno el contenido de humedad de la superficie) y en lacaracterización y dinámica de las cubiertas vegetales(Julien & Sobrino, 2008a). Uno de los sensores quepermiten evaluar esta alternativa es el AdvancedVery High Resolution Radiometer (AVHRR), perola serie de datos generada por este sensor está in-fluenciada por la deriva orbital (Price, 1991; Privetteet al., 1995). La deriva orbital influye en una dismi-nución de la radiancia recibida por el sensor, gene-rando una alteración en los valores calculados apartir de estos datos, tal como la temperatura de bri-llo y el NDVI (Julien et al., 2006). Por otra parte, sehan desarrollado otros estudios utilizando productosdel sensor Moderate Resolution Imaging Spectrome-

ter (MODIS) (Zhang et al., 2004; Zhang et al.,2006), en dónde los efectos de la deriva orbital,sobre la temperatura de superficie y el NDVI, no sonsignificativos sobre zonas homogéneas de vegeta-ción (Rhee et al., 2008; Viña et al., 2008). Por otra parte, una de las aplicaciones que tendría

la determinación de este tipo de zonas homogéneasse relaciona con el cálculo de parámetros biofísicos,tal es el caso de la fenología de la vegetación, que sedefine como el estudio de los eventos cíclicos de lavegetación (Karlsen et al., 2007). Por otra parte, lafenología de una cubierta vegetal se relaciona intrín-secamente con la magnitud del NDVI que presenta,la cual se analiza a través de su serie temporal, cal-culando las distintas etapas que caracterizan a unciclo fenológico como el nivel mínimo y máximo ola amplitud, entre otras características de la vegeta-ción (Julien, 2008; Julien & Sobrino, 2008a).

La determinación de zonas homogéneas es unatarea que se ha realizado en diversos campos de laciencia, existiendo innumerables técnicas de agru-pación, una de ellas es el análisis de cluster o de ti-pologías. El análisis de cluster tiene como objetivoprincipal la asignación de casos en grupos homogé-neos (clases o clusters), no conocidos de antemano,pero sugeridos por la propia esencia de los datos, demanera que los datos que puedan ser consideradossimilares sean asignados a un mismo cluster, mien-tras que datos diferentes se sitúen en clases distintas(Pérez, 2004). Esta técnica estadística ya ha sidoaplicada para la determinación de zonas homoclimá-ticas (Fovell y Fovell, 1993; Fovell, 1997; Rhee etal., 2008) y ecozonas (Coops et al., 2008), entreotras aplicaciones medio ambientales.El objetivo principal de este trabajo es presentar un

método simple para la determinación de zonas ho-mogéneas de la cobertura de suelo, a partir de pro-ductos de temperatura de superficie e índice devegetación normalizado (NDVI) generados por elsensor MODIS, aplicado a la península Ibérica du-rante el año 2005. Específicamente, sobre toda lapenínsula Ibérica exceptuando los trabajos de Lobo(Lobo et al., 2004) son pocos los estudios sobre cla-sificación de vegetación realizados.METODOLOGÍA Y RESULTADOSÁREA DE ESTUDIOEl estudio se llevó a cabo usando datos correspon-

dientes al año 2005 para toda la península Ibérica,

Método simple para la identificación de zonas homogéneas de NDVI y temperatura de superficie en La Península...


la cual se caracteriza por sus marcados sistemasmontañosos y por sus contrastes climáticos entre elNorte y el Sur, además del archipiélago Balear. Lamayor parte de la vegetación que cubre la penínsulacorresponde a cultivos (aprox. 57%), bosques y ar-bustos (Tabla 1); los cuales se ubican principalmenteentre los sistemas montañosos de los Pirineos y elsistema Cantábrico (Bartolomé & Belward, 2005).DATOS UTILIZADOS La clasificación realizada se llevó a cabo utilizando

valores de temperatura de la superficie (Land Sur-face Temperature, LST) y NDVI, ambos conjuntosde datos correspondientes a los productosMOD11A2 y MOD13A2, generados a partir de imá-genes suministradas por el sensor MODIS a bordodel satélite TERRA. Estos datos se encuentran dis-ponibles en http://edcimswww.cr.usgs.gov/pub/ims-welcome/. El producto LST corresponden alpromedio simple de 8 días de imágenes de tempera-tura de la superficie, señalando los píxeles contami-nados mediante una imagen de calidad (QA) (Wan,2006). Para ese trabajo sólo se utilizaron las imáge-nes correspondientes a temperatura diurna. La pre-cisión de estas imágenes ha sido validada en más de20 mediciones in-situ en condiciones de cielo despe-jado, obteniéndose una precisión de 1 K en un rangode 263 a 322 K (Wan et al., 2002; 2004). Sin em-bargo, el sensor MODIS no está exento de dificulta-

des, siendo una de ellas la indeterminación de la va-riación continua de la temperatura y la influencia delas condiciones atmosféricas tanto en las bandas ori-ginales como en los productos Level 3 (Huang et al.,2008). Por otra parte, las características de las imá-genes de NDVI tienen dificultades similares a las detemperatura, no obstante el método utilizado paragenerar el composite de este producto es diferente,utilizándose el Maximun Value Compositing (MVC),entregando un producto de NDVI cada 16 días. Estemétodo se encuentra descrito en Holben (1986), lascaracterísticas de este producto así como sus incon-venientes se encuentra señalados en Huete et al.,(2002). La resolución espacial de ambos productoses de ~1 Km y cada una de estas imágenes fue geo-referenciada en la proyección sinusoidal utilizandolos valores que se establecían en el fichero de cadaproducto.MÉTODO DE CLASIFICACIÓN YMAPAS RESULTANTESPara la determinación de las zonas homogéneas se

utilizó un análisis de cluster no jerárquico sobre elpromedio anual de temperatura y NDVI para el año2005, aplicando como medida de agrupación la téc-nica del máximo valor del histograma, utilizandocomo valores de entrada el número máximo de cla-ses a encontrar (10), un porcentaje de saturación(1%), nivel de discretización (6) y un nivel genera-

Tabla 1.- Superficie de la península Ibérica para cada clasificación del GLC2000.

C. Mattar, J.A. Sobrino, Y. Julien, B. Franch y R. Oltra


lización fino. Este algoritmo de clasificación se pro-gramó en IDL 6.3. El método de cluster empleadoen este trabajo se encuentra bien detallado en Ri-chards & Jia (1999) y Letts (1978). Debido a la na-turaleza de los datos, se encontraron 7 y 9 clases parael NDVI y la temperatura de superficie respectiva-mente. El cálculo de la imagen promedio (para cadavariable) no consideró los píxeles nubosos, se ha to-mado como umbral para eliminar datos en la imagende temperatura aquellos píxeles que presentan valo-res inferiores a 260 K y para el NDVI valores infe-riores a 0.01. Las clases generadas fueron sometidasa un filtro espacial utilizando un kernel móvil de 7 x7 de paso bajo, con el objetivo de eliminar los píxe-les clasificados de baja frecuencia. En la Figura 1 semuestra las imágenes promedio de temperatura (fi-gura 1a) y NDVI (figura 1b) y en la Figura 2 el mapade zonas homogéneas generado para la temperatura(figura 2a) y NDVI (figura 2b).Finalmente, se realizó un proceso de tabulación

cruzada entre ambas clasificaciones para obtener unmapa con 24 zonas homogéneas para toda la penín-sula Ibérica y el archipiélago Balear. Este mapa finalde clases se obtuvo después de aplicar un filtro demoda de 7x7 sobre la imagen resultante de la tabu-

Figura 1.- a) LST y b) NDVI promedio para el año 2005

Figura 2.- Clasificaciones realizadas a partir de la figura 1 para la temperatura (a) y el NDVI (b).

lación cruzada con el fin de eliminar las pequeñasclases de baja frecuencia espacial (Figura 3a).Con la objetivo de comprobar el grado de asocia-

ción de las clases encontradas con un mapa preesta-blecido se compararon cuatro clasificaciones deGLC2000 actualizada al 2006 (http://www-gem.jrc.it/glc2000/ProductGLC2000.htm). Por otraparte, como una aplicación a la determinación de laszonas homogéneas se calcularon las curvas fenoló-gicas de las zonas que coincidían espacialmente conla cobertura GLC2000 (figura 3b) identificando cua-tro tipos de cobertura: Bosque caducifolio, Bosquede hoja siempre verde, cultivos y humedal. Para cal-cular las curvas de fenología de cada zona, se selec-cionó un grupo de 3 x 3 píxeles correspondientes alcentro de cada zona que coincidían entre ambas cla-sificaciones. Debido a que la serie temporal presen-taba valores anómalos, a la serie temporal de NDVIpara las cuatros preseleccionadas anteriormente seaplicó un filtro de Lanczos (Cullum & Willoughby,1985) de 2 iteraciones (Ecuación 1) para homoge-neizar la serie de datos y eliminar el ruido que pre-senta esta serie. Este operador permite suavizar losvalores que presentan más de dos desviaciones es-tándar, en relación a la desviación total de la muestrapara el caso del NDVI.



Figura 3.- Zonas homogéneas generadas (a) y mapa de clasificación de la GLC2000 (b). Las zonas seleccionadaspara la comparación se identifican con: Bosque Siempre verde (cuadrado), Bosque Caducifolio (círculo), Cultivo (trián-gulo) y Humedal (estrella).



donde sinc(a)=sin(a)/a. La figura 4 muestra la res-puesta temporal del filtro de Lanczos de 2 iteracio-nes.

Figura 4.- Representación gráfica de la función filtro deLanczos para dos iteraciones.

Figura 5.- Fases de la fenología calculadas en este estudio

La serie de NDVI para las cuatro zonas selecciona-das con los valores suavizados por el filtro de Lanc-zos, se muestra en la figura 5.Posteriormente, se calcularon los parámetros feno-

lógicos generales, fundamentados en un criterio deumbrales (Julien & Sobrino, 2008b), resultantes dela serie temporal de los valores de NDVI, tal es elcaso de la duración de la estación de crecimiento, elnivel máximo y mínimo, la amplitud, la tasa de cre-cimiento y decrecimiento de la vegetación para lascuatro zonas seleccionadas (Figura 6). La magnitudde estas variables se muestra en la tabla 2.Finalmente, en la figura 7 muestra un diagrama de

flujo con la metodología realizada en este trabajo.DISCUSIÓNTanto en las clasificaciones de la LST como en el

NDVI es posible apreciar en el norte de la penínsulalas zonas de bosque. En la región de Andalucía sedistinguen las temperaturas más altas asociadas a va-lores de NDVI bajos (menores de 0.5). Esto se atri-buye al tipo de cobertura del suelo, principalmentexérica (dominio árido y semiárido). La porción surde la costa Mediterránea, así como la Atlántica, pre-sentan un comportamiento similar en temperatura dela superficie. En el centro de la península se distin-gue una amplia clase asociada a valores de NDVImenores de 0.4.



Figura 6.- Serie temporal de NDVI para el año 2005 calculado a partir de los cuatro tipos de cobertura seleccionados.

Tabla 2.- Parámetros fenológicos obtenidos a partir de las series temporales de las zonas homogéneas seleccionadas Las categorías generadas (Figura 3a) tienen en

cuenta en gran parte la topografía del lugar, con di-ferentes clases en los Pirineos, el Norte de España ylas regiones montañosas del centro de la península.En la costa mediterránea, se pueden apreciar las dis-tintas clases ubicadas a lo largo de esta zona, la cualmuestra un mayor número de clases al sur de la pe-nínsula. La mayor parte de las clases no se puedenasociar directamente a un tipo de vegetación, ya queno se ha utilizado ninguna información espectral quepueda permitir la identificación y diferenciación detipos de cobertura vegetal. Por otra parte, esta in-formación podría complementar este método con elfin de asignar cada zona a un tipo de cobertura. Sinembargo, este no es el objetivo de este trabajo y serealizará en un próximo estudio.

La comparación entre las clases del mapa de zonashomogéneas generado y las clasificacionesGLC2000 antes comentadas (Figura 3a y 3b) mues-tra que las mayores discrepancias ocurren en el cen-tro de España, lo que se atribuye principalmente acultivos agropecuarios. A pesar de que en esta zonase pueden encontrar diferentes zonas de temperatura,éstas no se aprecian en la clasificación delGLC2000, debido a que ésta se basa principalmenteen las propiedades espectrales y no térmicas de lacobertura de la superficie. No obstante, en las zonasdonde existen bosques o sitios con algún grado dehumedad, tal es el caso de valles o microcuencas, elmapa de clasificación realizado muestra un ciertogrado de coincidencia con el GLC2000, como sepuede apreciar para algunas clases de cobertura ve-



Figura 7.- Diagrama de flujo utilizado para el cálculo delmapa de clasificación y de los parámetros fenológicos.getal como bosques caducifolios y siempre verdesen el norte de la península, algunos sectores de lacosta oeste y el extremo este de los Pirineos. El nú-mero de clases encontrado en las dos clasificacionesson similares, aunque con distribuciones y propor-ciones distintas, debido principalmente a la influen-cia orográfica, la cual es una variable crítica queinfluencia la clasificación existente. Con respecto a la evolución del NDVI en las cuatro

zonas seleccionadas (Figura 5) podemos observarcomo en los bosques, el NDVI muestra patrones dis-tintos a las zonas clasificadas como cultivos, presen-tando en promedio, un valor superior a 0.7 durantetodo el año y existiendo errores en el filtro de nubesen los meses de verano. Los cultivos muestran unaclara fase de crecimiento y decrecimiento del NDVIcon un máximo definido. La evolución del NDVIde la zona clasificada como cultivo muestra un valormáximo de 0.5 para el NDVI, próximo al mes demayo. CONCLUSIONESEn este trabajo se presenta un método simple para

la detección de zonas homogéneas a baja resoluciónutilizando productos MODIS de temperatura de su-perficie y NDVI para el año 2005 sobre la península

Ibérica. La metodología empleada es de secuenciasimple y eficiente, determinando zonas homogéneasa través de valores de una tabulación cruzada entrelas zonas que se caracterizan por las magnitudes detemperatura de la superficie y NDVI.A pesar de la existencia de algoritmos para calcular

la temperatura de la superficie utilizando imágenesMODIS (Sobrino et al., 2003), el objetivo de estetrabajo es presentar al usuario de los productosMODIS una aplicación en la identificación de zonashomogéneas a baja resolución. Estos productos nonecesitan ser corregidos por el efecto atmosféricomediante el uso de códigos de transferencia radia-tiva, paso fundamental en la determinación de latemperatura de la superficie a partir de imágenesMODIS.Una de las imperfecciones que muestra este método

es la ubicación espacial y posterior eliminación denubes, ya que sólo considera umbrales preestableci-dos y no utiliza funciones estocásticas de filtraje denubes. Esto condiciona de cierta manera los umbra-les máximos de NDVI cuando la cobertura nubosaes persistente, lo que ocurre en el Norte de la penín-sula Ibérica, principalmente en el periodo invernal.La diferenciación de tipos de cultivo, ya sean agrí-

colas o forestales, es una tarea difícil de realizar coneste método, el cual fue desarrollado utilizando imá-genes a una escala de resolución baja (~ 1 Km) y conlos productos Level-3 generados a partir de datosMODIS. Por lo tanto, una mejora a este métodosería la introducción de valores espectrales de reflec-tividad o de otro índice de vegetación, mejoras quese realizarán en trabajos futuros.REFERENCIASBARTHOLOMÉ, E. & BELWARD, A.S. 2005.

GLC2000: a new approach to global landcover mapping from Earth observation data.International Journal of Remote Sensing.26(9): 1959–1977.

COOPS, N., WULDER, M., DURO, D., HAN, T. &BERRY, S. 2008. The development of a Ca-nadian dynamic habitat index using multi-temporal satellite estimates of canopy lightabsorbance. Ecological indicators. 8: 754 –766.

CULLUM, J.K. & WILLOUGHBY, R.A. 1985.Lanczos Algorithm for large symmetric ei-genvalue computations. Vol. 1 -7. Boston.USA.

EVA, H., BELWARD, A., DE MIRANDA, E., DI



BELLA, C., GOND, V., HUBER, O.,JONES, S., SGRENZAROLI, M. & FRITZ,S. (2004). A land cover map of South Ame-rica. Global Change Biology. 10: 731-744.

FOVELL, R. 1997, Consensus clustering of UStemperature and precipitation data. Journalof Climate. 10: 1405 – 1427.

FOVELL, R. & FOVELL, M.Y. 1994. Climatezones of the Conterminous United States de-fined using cluster Analysis. Journal of Cli-mate. 6: 2103 – 2135.

HEROLD, M., WOODCOCK, C., DI GREGORIO,A., MAYAUX, P., BELWARD, A., LA-THAM, J. & SCHMULLIUS, C.C. 2006. Ajoint initiative for harmonization and valida-tions of land cover datasets. IEEE Trans. Ge-osci. Remote Sens. 4(7): 1719 – 1727.

HOLBEN, B. N. 1986. Characteristics o maximum-value composite image from temporalAVHRR data. International Journal of Re-mote Sensing. 7: 1417 – 1464.

HUANG, CH., LI, X., LU, L. 2008. Retrieving soiltemperature profile by assimilation MODISLST products with ensemble Kalman filter.Remote Sensing of Environment. 112: 1320 –1336.

HUETE, A., DIDAN, K., MIURA, T., RODRÍ-GUEZ, E.P., GAO, X. & FERREIRA, L.G.2002. Overview of the radiometric andbiophysical performance of the MODIS ve-getation indices. Remote Sensing of Environ-ment. 83: 195 – 213.

JULIEN, Y., SOBRINO, J. A. & VERHOEF, W.2006. Changes in land surface temperaturesand NDVI values over Europe between 1982and 1999, Remote Sensing of Environment.103: 43–55.

JULIEN, Y. 2008. Vegetation monitoring through re-trieval of NDVI and LST time series fromhistorical databases. PhD. Thesis. Universityof Valencia. 288 pp.

JULIEN, Y. & SOBRINO, J. A. 2008a. The YearlyLand Cover Dynamics (YLCD) method: ananalysis of global vegetation from NDVI andLST parameters, Remote Sensing of Environ-ment (in press).

JULIEN, Y. & SOBRINO, J.A. 2008b. Global landsurface phenology trends from GIMMS da-tabase. International Journal of Remote Sen-sing (in press).

KARLSEN, S.R. & CO-AUTHORS. 2007.MODIS-NDVI-based mapping of the length

of the growing season in northern Fennoscan-dia. International Journal of Applied EarthObservation and Geoinformation (in press).

KOTTEK, M., GRIESER, J., BECK, C., RUDOLF,B. & RUBEL, F. 2006. World Map of Köp-pen-Geiger Climate Classification updated.Meteorol Z. 15: 259 – 263.

LETTS, P.A. 1978. Unsupervised classification inthe Aries Image Analysis system. Proc. 5thCanadian Symposium on Remote Sensing,61- 71.

LOBO, A., LEGENDRE, P., REBOLLAR, J.L.G.,CARRERAS, J., MINOT, J.M. & 2004. Landcover classification at a regional scale in Ibe-ria: separability in a multi-temporal andmulti-spectral data set of satellite images. In-ternational Journal of Remote Sensing.25(1): 205 – 213.

NEMANI, R. R. & RUNNING, S.W. 1997. Landcover characterization using multitemporalre, near-IR and thermal-IR data fromNOAA/AVHRR. Ecological Applications.7(1): 79 – 90.

NEUMANN, K., HEROLD, M., HARTLEY, A. &SCHMULLIUS, C. 2007. comparative as-sessment of CORINE2000 and GLC2000:Spatial analysis of land cover data for Eu-rope. International Journal of Applied EarthObservation and Geoinformation. 9: 425 –437.

PEEL, M.C., FINLAYSON, B.L. & MCMAHON,T.A. 2007. Updated world map of the Köp-pen-Geiger climate classification. Hydrologyand Earth System Science. 11: 1633 – 1644.

PÉREZ, C. 2004. Técnicas de Análisis Multivariantede Datos. Editorial Pearson and PrenticeMay, Madrid, España, 646 pp.

PRICE, J.C. 1991. Using spatial context in satellitedata to infer regional scale evapotranspira-tion, IEEE Transanction in Geoscience andRemote Sensing. 28: 940 – 948.

PRIVETE, J. L., FOWLER, C., BALDWIN, D.,WICK. G. A. & EMERY, W. J. 1995. Effectsof orbital drift on advanced very high resolu-tion radiometer (AVHRR) products: normali-zed difference vegetation index (NDVI) andsea surface temperature (SST). Remote Sen-sing of Environment. 53: 164 – 171.

RHEE, J., IM, J., CARBONE, B. & JENSEN, J.2008. Delineation of climate regions usingin-situ and remotely-sensed data for the Caro-linas. Remote Sensing of Environment.112:



3099 – 3111.RICHARDS, J.A. & JIA, X. 1999. Remote sensing

digital image analysis : an introduction.Springer, Berlin, 363 pp.

SOBRINO, J.A., EL-KHARRAZ, J. & LI, Z. 2003.Surface temperature and water vapour retrie-val from MODIS data. International Journalof Remote Sensing. 24(24): 5161 – 5182.

STRAHLER, A.H., MUCHONEY, D., BORAK, J.,FRIEDL, M., GOPAL, S., LAMBIN, E. &MODDY, A. 1999. Modis Landcover Pro-duct: Algorithm Theoretical Basis Document.V 5.0

THORNTHWAITE, C. W.1948. An approach to-ward a rational classification of climate. Ge-ographical Review. 38: 55 – 94.

VIÑA, A., BEARER, S., ZHANG, H., OUYANG,Z. & LIU, J. 2008. Evaluating MODIS datafor mapping wildlife habitat distribution. Re-mote Sensing of Environment. 112: 2160 –2169.

WAN, Z. 2006. MODIS land surface temperatureproduct user’s guide. Institute of Computa-tional Earth System Science. University of

California, Santa Barbara, CA.WAN, Z., ZHANG, Y., ZHANG, Q., & LI, Z. -L.

2002. Validation of the land surface tempera-ture products retrieved from Terra ModerateResolution Imaging Spectroradiometer data.Remote Sensing of Environment. 83: 163 −180.

WAN, Z., ZHANG, Y., ZHANG, Q., & LI, Z. -L.2004. Quality assessment and validation ofthe MODIS global land-surface temperature.International Journal of Remote Sensing. 25:261 − 274.

ZHANG, X., FRIEDL, M., SCHAAF, C. &STRAHLER, A. 2004. Climate controls onvegetation phenological patterns in northernmid- and high latitudes inferred from MODISdata. Global Change Biology. 10:1133 –1145.

ZHANG, X., FRIEDL, M. & SCHAAF, C. 2006.Global vegetation phenology from ModerateResolution Imaging Spectroradiometer(MODIS): Evaluation of global patterns andcomparison with in situ measurements. Jour-nal of Geophysical Research, 111: G04017.


método simple para la identificación de zonas homogéneas ... · el ndvi y la temperatura de...

Documents